挑战场景
在产线高速作业过程中，对弹簧片进行在线检测，对产品的装配完整性进行有效识别和判断，替代人工，并实时记录和反馈数据。
核心难点
- 检测项多而复杂
装配完整性检测不仅是对“是否装上”的简单判断，还包括装配到位度、零件状态等方面的实时判断，且产品结构复杂，检测精度要求较高。
- 在线检测的“高节拍”与“环境干扰”
持续高速运转，对检测效率和稳定性提出了更高要求。同时，现场光照变化、机械振动传导、悬浮粉尘干扰等多重不利因素并存，都是精确检测必须攻克的关键瓶颈。
- 检测系统要求“鲁棒性”与“适应性”
该生产线生产多种车型的弹簧片，其尺寸、形状、颜色都可能不同。检测系统需要能快速自动切换检测程序，而不能依赖人工重新标定。且对于缺陷件召回率要求接近100%，极大程度降低误报率。
解决方案
一木智能从客户需求出发，基于“捷检”系统，设计了一套“弹簧装配的视觉检测”解决方案。
小零件轮廓提取的精准破局
解决方案采用对零部件的轮廓提取，通过比对零部件点位内的像素点，判断多个孔内的有无。
目标零部件具有体积小、孔洞多、精度要求高等特点，这导致在传统的轮廓提取过程中，易出现边界模糊、特征丢失的技术瓶颈，直接影响装配结果的判定准确性。一木创新性地将深度学习技术与计算机视觉（CV）轮廓提取相结合，通过两种技术的优势互补，实现精准、鲁棒的自动化检测。
实现精准高效的在线检
在像素点的判断上，一木采用预训练大模型标注算法，在实际数据集上进行训练调试，实现了卡扣的连通域标识。实际作业中，通过比较OK和NG件之间的像素点，找出和正常模式不同的区域，实现有效检测，精准高效地分辨出产线上的不合格品。
攻克复杂检测环境与数据实时同步难题
通过结合多维视觉技术，检测系统能够适应产品复杂的表面和环境的光照条件，显著提升识别的准确率。最终，召回率接近100%，识别准确率可达95%以上。
同时，检测数据通过云端，做到实时检测实时保存，实现了数据的持久化和对产品的质量追溯。
方案亮点
- 融合传统视觉与深度学习技术，实现高效、轻量化的轮廓提取。
- 引入预训练大模型进行智能标注，显著降低训练成本与装配误报率。
- 基于多维视觉技术，在复杂环境下仍保持95%以上的识别准确率。
- 实现数据持久化与资产化，为质量追溯与智能决策提供支撑。
