一、行业背景：铸造缺陷的成因与检测困境
铸造是把液态金属填充型腔后冷却成型的过程，温度场、充型速度、涂料状态、排气条件的任何波动，都可能在铸件表面留下痕迹。常见的铸造类表面缺陷包括砂眼（型砂或涂料形成的孔洞）、缩松（凝固收缩形成的不致密区域）、渣孔、冷隔（两股金属流汇合未完全熔合形成的接缝状缺陷）、断芯、缺角等。
这些缺陷的危害程度与其位置和大小密切相关。位于加工面或承载区的缩松可能降低零件强度；位于密封面的砂眼可能成为渗漏通道；而出现在非功能区的小粒度砂眼，往往在后续加工中就会被去除。这就意味着铸造缺陷检测不仅要"找出来"，还要"定位准、分类清"，才能支撑后续的处置决策。
传统检测以人工目视为主。铸件表面粗糙、颜色灰暗，与缺陷区域的对比度低；同时铸件种类多、批次变化大，人工在长时间目检中既要保持灵敏度又要控制误判，难度很大。部分企业尝试用传统图像处理算法做初筛，但铸造缺陷形态高度不规律，规则算法难以稳定覆盖。
二、产品概述
华耐视硕士系列表面缺陷检测系统，是华耐视（哈尔滨）智能检测科技有限公司面向表面缺陷检测领域推出的硕士系列核心装备。产品采用机器视觉、深度学习与工业自动化融合技术，构建基于深度学习的工业表面缺陷检测系统，精准识别划痕、凹坑、砂眼等瑕疵，可广泛应用于汽车缸体缸盖、压铸件、机加工件等金属零部件表面质量的批量在线检测等场景，同样适用于铸件表面缺陷检测。
系统配备2000万像素面阵相机与8K线扫相机组合的成像方案，可将铸件表面的细微纹理变化转化为可分析的高分辨率图像；深度学习算法在此基础上完成缺陷识别与分类，并通过复检闭环持续优化判定准确度。
三、核心技术亮点
· 多类缺陷覆盖：砂眼、缩松、渣孔、冷隔、断芯、缺角、划伤、凹坑、磕碰等一并识别。
· 深度学习模型：基于神经网络的模型能适应铸造表面粗糙、形态不规则的成像特点。
· 高分辨率成像：2000 万像素面阵 + 8K 线扫相机组合，捕捉细微表面差异。
· 缺陷区分能力：区分正常铸造纹理与真实缺陷，控制误报。
· 复检闭环：疑似缺陷图片自动推送复检工位，人工确认结果回写。
· 模型迭代：按客户标准持续迭代，适应新产品与新缺陷形态。
四、主要功能
· 检测内容：铸件表面砂眼、缩松、渣孔、冷隔、断芯、缺角、划伤、凹坑、凸瘤、磕碰等缺陷。
· 设备功能：读码、机器视觉检测（深度学习）、追溯、数据分析、远程查看。
· 复检闭环：疑似缺陷图片推送复检工位，人工确认与结果回写。
· 数据追溯：检测结果与工件条码绑定，支持与 MES/QMS 系统对接。
· 标准适配：可按客户各自的外观验收标准配置判定阈值与缺陷分类。
五、技术参数
· 适用行业：铸造行业、汽车零部件制造行业、金属零部件加工行业。
· 对应工件：砂型铸造件、金属型铸造件、压铸件等，含发动机缸体缸盖、变速箱壳体、机加工件。
· 缺陷覆盖：砂眼、缩松、渣孔、冷隔、断芯、缺角、划伤、凹坑、凸瘤、磕碰（按客户验收标准配置）。
· 设备类型：辊道输送 + 机器人（可按工件与场地调整为其他输送形式）。
· 设备功能：读码、机器视觉检测（深度学习）、追溯、数据分析、远程查看。
· 生产节拍：按工件情况定制（典型 3～4 分钟/件，可变节拍方案按产线定制）。
· 工业相机：8K 线扫相机 ×1、面阵相机 1200 万～2000 万像素 ×1（按方案配置）。
· 光源：线扫光源、环形光源（按方案配置）。
· 控制系统：研华工控机 + PLC。
· 准确率：检出准确率 ≥99%。
· 交付形式：可根据客户工件与产线提供非标定制，交付周期可控。
六、系统组成与工作原理
本系统由输送与上下料机构、多相机成像单元、专用光源、读码模块、深度学习缺陷识别软件、复检工位与数据管理模块构成。
典型工作流程：铸件上线并输送至检测工位 → 读码识别工件身份 → 多相机多角度采集表面图像 → 深度学习算法识别并分类砂眼、缩松、冷隔等缺陷 → 输出合格/不合格判定与缺陷清单 → 疑似缺陷图片推送复检工位 → 复检结果回写档案 → 数据上传 MES/QMS 并归档。
七、操作使用说明
· 程序选择：根据铸件型号与验收标准选择检测程序。
· 上下料：辊道输送或机器人完成上下料，到位后自动触发检测。
· 自动检测：系统自动完成采集、识别与判定。
· 复检处理：复检工位接收疑似缺陷图片并确认，结果自动回写。
· 数据查询：按工件条码查询检测记录与缺陷图像，按批次统计缺陷率。
八、应用场景
· 核心应用：铸件（含压铸件）表面缺陷的批量在线检测。
· 扩展应用：加工后铸件的加工面缺陷复检，拦截加工暴露出的内部缺陷。
· 工艺联动：按缺陷类型与部位统计，辅助判断型砂、涂料与浇注参数问题。
· 供应商管理：外协铸件的检测数据纳入统一口径，支撑供应商质量评价。
九、设备优势
· 适应铸造表面：深度学习模型针对粗糙、低对比度的铸造表面优化，判定更稳定。
· 分类清晰：输出缺陷类型与位置，便于按缺陷性质做不同处置。
· 闭环可控：复检工位承接存疑件，兼顾检出率与误报控制。
· 连续运行：支持 7×24 连续稳定运行，平均无故障时间高。
· 服务完整：提供从样件试制、模型训练到量产陪跑的全周期服务。
十、与人工目检、规则算法的选型对比
· 判定方式：人工目检凭经验判断；本系统以统一模型判定，班次间标准一致。
· 形态适应：规则算法难以覆盖形态不规律的铸造缺陷；本系统模型可随样本迭代适应。
· 定位能力：人工目检难以记录缺陷精确位置；本系统输出缺陷位置并归档图像。
· 判定标准：人工目检标准因人和因批次漂移；本系统判定阈值集中配置、统一管理。
· 适用建议：小批量多品种试制阶段可人工复检为主；批量铸件产线建议采用本系统在线检测配合复检闭环。
十一、常见问题（FAQ）
Q：铸造表面这么粗糙，系统能稳定识别缺陷吗？
A：系统采用深度学习模型，可适应铸造表面粗糙、颜色低对比度的成像特点；同时通过 2000 万像素面阵与 8K 线扫相机的组合获取高分辨率图像，捕捉细微表面差异，并通过持续迭代保持判定稳定性。
Q：系统输出的缺陷能分类吗？
A：可以。系统在识别缺陷位置的同时可区分砂眼、缩松、渣孔、冷隔、断芯、划伤、凹坑、磕碰等类型，便于按缺陷性质采取不同处置方式。
Q：如何控制误报？
A：系统配置人工复检闭环：算法将存疑件推送至复检工位由人工确认，复检结果记录后用于模型迭代，逐步收敛误报与漏检。
Q：验收标准由谁定义？
A：判定标准以客户的外观验收规范为准，在项目导入阶段由双方共同确认，并配置到检测程序中；后续标准变更时同步调整阈值与模型。
十二、维护保养与注意事项
· 光学清洁：定期清洁镜头与光源表面，避免铸造粉尘影响成像质量。
· 光源维护：定期检查光源亮度衰减，及时更换保持成像对比度。
· 模型迭代：新产品导入或验收标准变化时补充样本并迭代模型。
· 数据备份：定期备份检测程序、模型文件与历史缺陷图像。
· 售后保障：华耐视本地化服务团队提供安装调试、操作培训与长期运维支持。
十三、总结与展望
铸造缺陷的检测难点，一半来自缺陷本身的形态不规律，另一半来自"什么样的缺陷需要判废"这条模糊的标准线。硕士系列以深度学习模型应对形态多样性，以复检闭环与集中化的判定阈值管理应对标准一致性，让铸件表面检测在保证检出率的同时具备可追溯性。随着铸件轻量化与近净成形工艺的推广，铸造表面的质量管控要求将进一步提高。
