这一年多凡是在永磁电机供应链里待过的人应该都体会过一种“幸福的烦恼”订单在涨产线在加速但质检工位永远在招人。这里的“磁瓦”指的就是电机里那种弧形的永磁体——铁氧体磁瓦也好稀土磁瓦也好几乎是每台永磁电机都躲不开的核心零件。磁瓦用量上涨背后是新能源车、变频家电、电动工具和工业伺服一起在拉需求。需求一上来问题也跟着放大了一片磁瓦从成型到成品要经过烧结、磨削、倒角、清洗任何一道工序失控都会在表面上留下崩边、裂纹、划痕、砂眼。以前靠老师傅肉眼盯还能勉强顶住现在产量翻倍人眼的速度和一致性根本跟不上。我最近在关注某职业学院“磁眼金睛”团队做的一套磁瓦缺陷视觉检测方案。这个团队的切入点非常准不做什么“全智能黑灯工厂”就盯住磁瓦出厂前最要命的表观质检环节把人工目检变成“相机拍照AI识别自动分选”。这篇文章想把背后的技术逻辑和落地过程掰开聊一聊——光学怎么设计、模型怎么选、现场坑怎么填给同样在做工业视觉或想切入这个方向的朋友一个参考。1. 磁瓦用量上涨之后最先顶不住的是质检线1.1 磁瓦是什么为什么突然“一片难求”磁瓦说白了就是瓦片形状的永磁体材料主要分两类一类是烧结铁氧体价格低、抗退磁能力强大量用在家电电机、电动工具和汽车辅助电机里另一类是钕铁硼稀土磁瓦磁能积高、体积小新能源汽车主驱电机、工业伺服电机里用量很大。为什么现在“一片难求”不是简单的市场炒作。你看下游新能源汽车主驱电机从异步电机切换成永磁同步电机一台车至少用几十片磁瓦变频空调、变频洗衣机里的无刷直流电机每台也要十几片再加上电动工具往无刷化走磁瓦用量几乎是在叠着涨。这种增长是结构性的不是某个月突然爆单而是未来几年都维持高位。但产量拉起来之后生产现场最先崩溃的往往不是压制工序也不是烧结工序而是质检。原因很简单磁瓦是典型的高速、大批量、小缺陷零件但缺陷却直接关系到电机性能和寿命。1.2 从烧结到磨加工缺陷到底藏在哪些环节磁瓦不是天生就是瓦片形的。它一般要把粉料压制、烧结、再磨加工成最终尺寸。每一个环节都会留下自己特有的“指纹”工序常见缺陷成因成型压制密度不均、内部微裂纹粉料流动性、模具磨损、压制压力波动烧结欠烧、过烧、变形温度曲线波动、炉内气氛不稳磨削崩边、划痕、砂眼砂轮粒度、进给量、冷却液不干净倒角缺角、崩边倒角量过大、工装定位偏移清洗包装异物粘附、碰伤周转筐碰撞、传送带残留物这些缺陷在产线上不会均匀出现往往是某批粉料出了问题或者某一台磨床的砂轮磨损了缺陷率会突然飙升。如果质检还是靠人工就很难及时发现这种“批次性异常”——等不良品流到客户那里可能已经装进电机了。1.3 人工质检在磁瓦面前的两个“死穴”磁瓦的外观检验行业里过去叫“看瓦”检验员在灯箱或者强光下把磁瓦一片片翻面看靠眼睛判断有没有崩边、裂纹、划痕。这套做法在两个问题上特别吃力。第一是标准一致性。不同检验员对“多大缺陷算NG”的把握很难完全一致同一个检验员上夜班前后也可能两套尺度。客户投诉一多企业只能不断加严标准结果误杀率也上来了本来能用的产品被判废成本白损失。第二是节拍和疲劳。高速产线一分钟过检几十片眼睛要同时分辨多个缺陷位置这种高强度视觉工作人一般撑不过两个小时注意力就会明显下降。细小裂纹在深灰色的磁瓦表面上本来就不明显灯光角度稍微一变缺陷就藏在阴影里了。所以“磁眼金睛”团队选择磁瓦外观质检作为切入点不是偶然而是因为这里痛点足够深、频率足够高人工手段几乎到了天花板。2. “磁眼金睛”的破题思路先解决“看得见”再谈“认得准”2.1 缺陷种类决定了你不能“一种灯光走天下”很多第一次做工业视觉项目的人上来就问“用哪个模型”。实际上机器视觉项目第一个要回答的问题是怎样让相机“看见”缺陷。磁瓦是个特别不友好的对象表面深色、容易反光而且是一个弧面。常规的打光方式放在磁瓦上很容易出现一处亮、一处暗裂纹和划痕被高光“淹死”的情况。不同缺陷对光线的响应差异很大所以没有一种灯光能同时解决所有问题。以常见的缺陷类型为例缺陷类型成像难度推荐照明方式崩边较低低角度光、背光突出轮廓裂纹中高低角度环形光让裂纹形成散射亮线划痕中同轴光垂直照射表现表面深浅砂眼、气孔高多角度组合光靠阴影判断凹坑氧化色斑中同轴光、白光观察灰度差异这个表看着简单但每一条背后都要做大量的打光实验。团队当时拿了几十片典型缺陷样件在暗室里反复调光源角度、相机高度、曝光时间最后定下来的方案不是一组光而是三组光配合。2.2 多角度分时曝光一次拍照三组光“磁眼金睛”团队最后采用的核心光学策略可以叫“多角度分时曝光”。工位上布置三路光源相机静止拍摄三路光源按顺序触发分别拍下三张图第一张是低角度环形光拍出来的“缺陷增强图”。光线从很低的入射角划过磁瓦表面裂纹、崩边会产生强烈的散射在图像里表现为一条很醒目的亮线。这张图专门用于找裂纹和崩边。第二张是同轴光拍出来的“表面平整度图”。同轴光垂直照射表面平整区域的反射均匀有划痕、凹坑或异物的地方会出现灰度差异。这张图专门用于找划痕和表面污染。第三张是漫射穹顶光拍出来的“轮廓测量图”。这种光能消除镜面反光让磁瓦整体灰度均匀适合做尺寸测量、崩边轮廓提取和弧形面缺陷判断。为什么要分时曝光而不是三组灯同时开因为同时开光会互相干扰阴影和反光混在一起后期很难分开。分时曝光的好处是每一张图都对应一种明确的缺陷特征算法可以各取所长。而且磁瓦是静止拍照三张图加起来也就零点几秒完全满足产线节拍。2.3 相机、镜头与解析度的粗算逻辑工业相机的选型不是越贵越好而是要算清楚“目标缺陷在图像上到底占几个像素”。假设一块磁瓦的检测长度是70毫米要求能稳定看出0.1毫米的细小缺陷。业内比较稳妥的经验是最小缺陷至少在图像上覆盖3×3个像素否则深度学习模型也很难分辨。那么单边像素数至少是70毫米 ÷ 0.1毫米 × 3 2100像素这是长度方向的最低下限。考虑到相机视野要留余量、磁瓦在工装里可能有一定偏转用500万像素的面阵相机做单件检测就已经够用如果后续要同时检测大片磁瓦或者要求更高精度1200万像素会更稳妥。镜头方面团队选的是低畸变定焦镜头。这里有个容易被忽略的点磁瓦是弧面中间高、两边低镜头的景深必须要能覆盖整个弧面的高度差。否则中间拍清楚了边缘是虚的崩边缺陷就直接漏掉了。所以选镜头时除了焦距和接口还要重点看景深参数。2.4 数据集建设的真实工程量视觉项目的另一个大头是数据。磁瓦生产线上的合格品占绝大多数缺陷就像大海捞针而且每一种缺陷的形态差异很大。团队并没有急着训练模型而是先花了好几周时间做三件事第一跑合作产线收集真实缺陷样本。用一个实验相机把生产线上被人工判定为可疑的磁瓦全部拍下来记录缺陷类型、大小、位置然后对照实物做标注。第二建立统一的标注规范。比如“裂纹”指的是长度超过某阈值的线状缺陷“崩边”指的是边缘缺失超过某深度的缺损。标注规范如果不统一模型学到的特征就是混乱的。第三做数据增强。磁瓦表面颜色会因为烧结批次不同有轻微差异所以增强时不光要做旋转、镜像还要加亮度扰动、对比度扰动和轻微模糊模拟不同批次、不同现场环境下的成像差异。这里有一个很重要的原则数据增强只能模拟“同一类缺陷的正常变化”不能伪造出真实场景里不存在的缺陷形态。团队专门留了一批“干净”的现场图像做验证防止模型在增强图像上过拟合。3. 核心实现从算法选型到产线部署的完整链路3.1 为什么是“传统视觉深度学习”双通道聊到算法“磁眼金睛”团队并没有一上来就套一个大模型而是做了一个很有意思的“双通道”结构。崩边、缺角、尺寸超差这类缺陷位置固定、特征清晰用传统图像处理更合适。团队用边缘检测、轮廓提取和拟合的办法把磁瓦边缘轮廓抠出来和标准模板比对只要边缘缺了一块立刻就能定位。这种方法速度极快解释性也好出现误判时工程师能直接看到是哪个阈值出了问题。裂纹、砂眼、划痕这类缺陷形态不规律、对比度低传统算法很容易漏就用深度学习来做。具体采用的是图像分割模型——不是单纯的目标检测框而是把每个像素都判断成“缺陷”或“正常”输出缺陷的精确轮廓。这样才能计算裂纹长度、砂眼面积为后续的等级判定提供依据。两个通道的结果最终汇到一个决策逻辑层任何一路判NG就直接锁图、标坐标、触发分选。这样的设计不是拍脑袋而是考虑到产线实际——崩边用传统算法跑几乎不占用算力深度学习集中精力处理最难的表面纹理缺陷整体稳定性和速度都更可控。3.2 模型训练阶段必须盯住的四个细节训练这块很多人关注用哪个网络结构实际更关键的是训练策略。团队踩了一圈之后总结了四个容易被忽视的细节第一是损失函数的选择。磁瓦缺陷像素占整张图像的比例往往不到5%直接用普通交叉熵模型很容易学成一个“全部预测为正常”的偷懒模型。所以训练时用Dice损失和交叉熵损失的组合Dice损失专门处理前景和背景严重不平衡的问题让模型必须把注意力放到缺陷区域上。第二是数据集划分。不能随机地把图片打乱分成训练集和验证集而要按“磁瓦个体”或者“生产批次”来划分。否则同一片磁瓦的不同角度图片一部分进了训练集、一部分进了验证集模型等于提前“见过答案”验证指标会虚高。第三是评估指标。项目组每天盯的不是准确率而是两个指标漏检率不良品被当成合格品放走和误杀率合格品被误判为不良品。在磁瓦这种高良率场景下准确率哪怕99%都可能意味着每天有成百上千片不良品流出。漏检率和误杀率是一对矛盾需要通过置信度阈值来平衡。第四是模型量化。训练好的模型要部署到产线设备上为了跑得更快一般会做INT8量化。量化之后精度会有轻微下降所以量化前要预留一点模型容量量化后必须重新在验证集上测试漏检率不能直接默认精度不变。3.3 部署落地节拍、通信与现场稳定性模型做完只是第一步真正让它变成产线工具还要解决三个问题。第一个问题是节拍。磁瓦检测工位一般要求单件检测时间控制在1秒以内。实际流程是PLC发出到位信号相机硬触发连续拍三张图图像传输到工控机模型推理结果返回PLC。整个过程里图像传输往往是最大的瓶颈所以要用带机内缓存的相机和合适传输方式不能靠简单地“拍照后慢慢传”来解决问题。第二个问题是通信。检测结果不能只显示在屏幕上要能联动产线设备。团队通过工业通信协议把结果发给PLCNG产品由后端的吹气或者拨料机构自动剔除。同时数据库里要保存每一片NG磁瓦的缺陷图像、缺陷类型、位置坐标和时间戳方便后续追溯和工艺分析。第三个问题是稳定性。产线环境不是实验室电压有波动、光源会老化、机台有震动、磁瓦在工装里的位置可能有偏差。团队的做法是给工位加了遮光罩隔绝环境光干扰光源使用恒流驱动并且定期做一次白平衡校准保证图像亮度基线不漂移。4. 现场调优实录三个花了大时间才搞定的坑4.1 坑一反光高光把细小裂纹“淹”了这个坑几乎每个做深色表面检测的人都会遇到。团队在实验室里把裂纹样件拍得非常清楚模型测试也通过了结果到合作产线上一跑裂纹漏检率明显偏高。排查过程很有意思不是先调模型而是先看图像。把现场拍的图片拉出来一看磁瓦表面有一大片白色高光裂纹正好藏在高光区域里模型根本看不到特征。原因有两个一是现场除了检测光源还有头顶的照明灯光和环境反射光二是磁瓦放到定位工装上之后表面弧度的位置和实验室里不完全一样低角度光反射角度变了。解决办法分三步给整个检测工位加遮光罩把环境光挡掉在光源前加偏振片并配合相机端的偏振镜把镜面反射的高光滤掉最后优化定位工装让磁瓦每次摆放的姿态更一致。改完之后裂纹漏检率立刻降到了可接受范围。这个坑告诉我们光学和机械的问题不解决后面算法再强也白搭。4.2 坑二缺陷样本不够硬训还是“伪造”最开始团队手里的真实缺陷图片少得可怜于是想了一个偷懒的办法用图像处理手段做“伪造缺陷”——在正常磁瓦图片上合成裂纹、划痕和崩边拿这些假样本去训练模型。初期的指标确实很好看模型在验证集上甚至到了99%的准确率。但一上产线就露馅了真实裂纹的形态、对比度、边缘细节和程序合成的完全不一样模型在真实缺陷前频频漏检。后来团队调整了思路第一和合作企业商量把生产线上被人工判定为可疑的磁瓦集中收集连续跑了好几轮做成真实缺陷样本库第二预训练模型在通用工业缺陷数据上先学好“缺陷长什么样”再用少量真实磁瓦样本做微调第三引入异常检测思路用大量无缺陷图像让模型学会“正常长什么样”凡是偏离正常分布的都归为可疑区域。这样一来即使遇到没见过的缺陷类型也有一定概率被拦下来。这条经验非常值得说合成数据只能作为辅助不能替代真实样本。如果条件不允许采集大量缺陷宁可先用传统算法处理明确缺陷也不要盲目相信合成数据训练出来的“高准确率”。4.3 坑三实验室指标很漂亮一到现场就掉链子另一个印象深刻的问题是“实验室到现场的巨大落差”。同样的模型同样的权重实验室测试误杀率不到1%到现场却飙到10%——也就是说每100片合格的磁瓦里有10片会被误判成NG根本没法生产。仔细排查后发现问题出在磁瓦批次差异上。不同批次的磁瓦因为烧结温度和粉料配方波动表面颜色会有深有浅灰度分布整体偏移。模型在实验室是拿某一批次的图像调参的到了现场换了个批次的磁瓦灰度分布全变了判定自然就乱了。解决办法是给软件增加在线白平衡和灰度归一化每次拍照后先用磁瓦的背景区域做灰度统计再把图像归一到标准灰度范围然后再进模型。同时团队把现场不同批次的图像持续采集回灌到训练集里不断增强模型的泛化能力。做了这几步之后现场误杀率终于压到了2%以下这才敢真正量产。5. 磁瓦质检之外这套方案还能辐射到哪里5.1 质检数据反哺上游工艺形成质量闭环视觉检测系统一旦稳定运行价值远远不只是“挑出坏品”。它每天会产生大量数据缺陷类型统计、缺陷位置分布、各批次不良率趋势。这些数据如果只是堆在硬盘里就浪费了。团队在项目里做了一件很务实的事把缺陷位置数据按磁瓦的形状坐标做热力图反馈给上游工序。比如某一段时间裂纹集中出现在磁瓦同一区域基本可以锁定是压制模具出了问题如果崩边集中在磨削出入口那就是磨床进给量或者砂轮状态需要调整。这样一来质检系统就从“关卡”变成了“工艺诊断工具”企业可以根据数据提前干预而不是等批量不良品到了质检线才被动拦截。5.2 类似检测系统的可复制边界这套“多角度分时曝光深度学习分割”的思路其实可以迁移到很多行业瓷砖表面裂纹检测、石墨件崩角检测、陶瓷基板外观检测、金属冲压件表面缺陷检测甚至锂电池表面的划痕检测底层逻辑都是相似的——先用光学手段把缺陷“显现”出来再用视觉算法把缺陷“识别”出来。但要注意边界不能迷信“一个方案打天下”。不同材料的反射率、形状、表面粗糙度差别很大磁瓦上有效的光学方案换到高反光的金属件上可能完全失效。每个新项目都要重新从打光实验开始重新采集数据模型也需要重新微调。5.3 学生创新项目真正走向产业的关键一步“磁眼金睛”团队这个案例最有价值的不是模型有多新而是走出了一条从学校实验室到工厂产线的完整路径。很多学生项目都是“带着作品参赛比完就束之高阁”但这个项目从一开始就绑定了真实产线需求每一个参数都对着节拍、漏检率、误杀率来调。学生团队在算法和软件上往往有冲劲缺的是产线整改经验和数据积累。他们选择和企业共建样本库在真实工位上验证这一步非常关键。技术能力是基础但能吃透现场约束、愿意一遍遍调光、反复改工装才是项目真正落地的核心。6. 写在最后一点个人体会看完整个“磁眼金睛”项目我最大的感受是这类项目的成败七成在光学和样本三成在算法。很多人一听到“AI质检”就想着堆模型、上大算力实际上产线缺的往往不是算力而是稳定成像和真实数据。如果让我给准备入这个方向的朋友提建议我会说先别急着选模型先做一份完整的缺陷图谱把你们行业里每一种缺陷的实物样件、成因、成像难度列清楚再花时间把光源实验做透最后才谈训练和部署。这样走下来哪怕模型用很常规的网络结构效果也大概率能让人满意。还有一个小技巧项目例会上的第一指标永远要放“漏检率”和“误杀率”不要放“准确率”。这两个数字才能反映产线真实痛感。只要把它们盯住了项目方向就不会跑偏。