一、项目背景与工业挑战
在高端 3C 精密五金与汽车零部件生产线上，微小划痕（深度 < 0.05mm）、崩口、针孔与气泡缺陷直接影响产品机械强度与外观质量。传统质检面临严重困境：
- 人工肉眼疲劳漏检：质检工人连续工作 2 小时后视力疲劳严重，漏检率从早期的 1.5% 飙升至 5.0% 以上；
- 金属反光与杂散光干扰：冲压金属工件表面具有强烈的镜面反射，普通算法将反光光斑误判为缺陷，误报率居高不下；
- 硬实时剔除时限严苛：传送带运动速度达 1.5m/s，从相机触发拍照到 PLC 气缸剔除，留给算法处理的全链路时间窗不足 20ms。
二、系统整体架构设计
系统采用端到端硬实时控制与云端中台协同的体系设计：
+-----------------------------------------------------------------------------------+
| 云端 AI 标注与主动学习中枢 (AI Center) |
| - 难例样本特征聚类 - 自动增量迁移微调流水线 - 量化模型版本 OTA 热下发 |
+-----------------------------------------------------------------------------------+
^
| (异步数据链路 / MinIO / Kafka)
v
+-----------------------------------------------------------------------------------+
| 车间工控机边缘计算站 (NVIDIA Jetson / x86 GPU) |
| +---------------------------+ +---------------------------+ +---------------+|
| | 工业相机 GigE 图像捕获 |-->| OpenCV CLAHE 预处理加速 |-->| TensorRT INT8 ||
| | (低角度环形暗场照明) | | (频域带阻滤波去机械条纹) | | 极速推理引擎 ||
| +---------------------------+ +---------------------------+ +---------------+|
+-----------------------------------------------------------------------------------+
| (硬实时 Modbus TCP 脉冲指令 < 10ms)
v
+-----------------------------------------------------------------------------------+
| 西门子 S7-1200 PLC 与高速电磁阀气缸机构 |
| - 毫秒级时间窗计算 - 不良品物理自动精准吹气剔除进入报废料斗 |
+-----------------------------------------------------------------------------------+三、核心技术攻坚与算法落地
1. 光学打光方案与 OpenCV 频域预处理
摒弃传统的普通漫反射光源，定制了 45 度低角度环形红光与同轴平行光源，凸显微小划痕边缘；在软件端引入自适应直方图均衡化（CLAHE）与频域带阻滤波（FFT Bandstop），消除传送带机械震动纹理噪声。
2. YOLOv8 小目标轻量化改造与 TensorRT INT8 极致量化
在 YOLOv8 骨干网中引入 BiFPN 特征融合结构与 CBAM 注意力机制，增强对 < 5 像素微弱缺陷的捕捉能力；基于产线真实图片构建 Entropy 校准集，完成 TensorRT INT8 PTQ 离线量化，单帧推理耗时压降至 4.2ms。
3. 主动学习（Active Learning）自进化闭环
针对产线批次物料换型，系统自动将置信度处于 0.45~0.65 之间的边缘难例样本回传云端中台，质检工程师点选确认后，一键触发模型增量微调并通过 OTA 热下发，模型越用越准。
四、商业收益与量化交付
该系统在 4 个大型制造基地共计 16 条高速产线成功落地，漏检率由传统人工质检的 2.5% 下降至 0.05% 以下，单条产线质检效率提升 400%，年化节省人工成本超百万元。
