一、 背景与痛点：质检工人的“眼睛”不够用了

客户画像：苏州某新能源汽车的一级供应商（Tier 1），主要生产铝合金电池托盘和电机外壳。

面临困境：

1. 缺陷极难识别：压铸件表面存在天然的流痕和水纹（这是合格的），但气孔、裂纹、划痕（这是不合格的）往往隐藏其中。传统 CV 算法（基于规则的 opencv）根本分不清“流痕”和“裂纹”，误报率高达 25%。

2. 高反光干扰：铝合金表面像镜子一样反光，普通光源打上去全是曝光点，摄像头根本看不清细节。

3. 样本“数据饥渴”：工厂良率其实很高（98%），这意味着**很难收集到足够的“缺陷样本”**来训练 AI 模型。没有几千张坏件照片，传统的深度学习模型跑不起来。

4. 成本压力：客户看了基恩士（Keyence）的 3D 轮廓仪方案，效果很好，但单工位报价 40 万，全厂 10 条线投不起。

我们的任务：在单工位预算 5 万元 以内，实现 99.5% 的缺陷检出率，且误报率低于 3%。

二、 解决方案架构：“光学+算力”的双重降噪

我们采用 “多角度打光 + 2.5D 图像合成 + 边缘 AI 推理” 的组合拳。

• 光学层（去反光）：不使用昂贵的 3D 相机，而是使用 “光度立体法 (Photometric Stereo)”。通过 4 个不同角度的条形光轮流闪烁，拍摄 4 张照片合成一张“去反光、凸显深度”的 2.5D 图像。

• 算法层（解样本）：使用 Anomaly Detection（异常检测） 逻辑。不训练“什么是坏的”，而是让 AI 拼命学习“什么是完美的”。只要和完美样本不一样的，就是缺陷。这解决了“坏件样本太少”的问题。

• 算力层：由于要在一秒内处理 4 张高分辨率图像的合成与推理，我们选用了 NVIDIA Jetson Orin NX (16GB)。

4路光源控制器 (频闪) -> [海康 2000万 工业相机] -> [Orin NX 边缘盒] -> [PLC 剔除机构]

三、 核心杀手锏：全透明 BOM 表与成本分析

这是该项目能够打败基恩士昂贵方案的关键配置表。

注：以下价格为集成商渠道采购参考价（不含税）。

我们整理了针对“金属、玻璃、塑料”三种材质的《打光避坑指南》。

四、 实施难点与避坑复盘 (The Reality)

AI 质检项目，90% 死在现场环境上。

1. 频闪不同步导致的“黑图”

• 现象：程序跑起来后，发现每隔几十张图就有一张是全黑的。

• 原因：相机曝光时间和光源闪烁时间没对齐（硬触发延迟）。

• 解决：放弃软触发。必须使用相机的 Line Out 引脚直接连接光源控制器的 Trigger 端。硬连线微秒级同步才是王道。

2. 深度学习模型的“过杀” (Overkill)

• 现象：AI 把压铸件上的“水印编号”也当成划痕缺陷报警了，误报率飙升。

• 解决：引入 “掩膜 (Mask)” 技术。在训练前，先用传统 CV 算法定位并扣除掉“字符区域”、“边缘倒角区域”，只让 AI 检测平面区域。“传统算法+AI”混合使用效果最好。

3. 现场震动干扰

• 现象：旁边冲压机一开，摄像头就抖，成像模糊。

• 解决：软件算法去抖太慢。直接上物理手段：把相机支架换成加厚铸铁底座，并加装橡胶减震垫。

五、 最终成果 (Quantifiable Results)

• 漏检率 (Escape Rate)：从人工目检的 0.8% 降低至 0.05%，完全杜绝了把坏件发给主机厂导致的巨额罚款。

• 效率提升：单件检测时间仅需 0.8秒，一条产线替代了 2 名质检工人（两班倒其实是 4 个人力）。

• 投资回报：项目总投入（含 3 条产线复制）约 15 万元，4 个月即收回硬件与开发成本。

六、 一键复用此方案

您的产线也有“高反光”、“缺陷样本少”的检测难题？

这套“光度立体 + Orin NX”的架构是通用的。

我们在引擎中预置了“铝件/钢件表面缺陷检测”的模型模板。您只需上传 50 张良品图片，即可评估可行性。

涉及核心产品：

• NVIDIA Jetson Orin NX 实时报价与参数

• 海康机器人/大华 工业相机选型库

• 工业光源控制器 (支持 4 驱频闪)