汽车密封件的外观缺陷检测在工业视觉中属于高难度类别。橡胶表面吸光率高、黑色材质与背景的对比度极低、缺陷特征多样且尺寸微小。以下以安徽一家汽车密封件头部企业的项目为样本做技术分析，并与传统人工质检做定量对比。
密封件的四类缺陷与对应的光源方案
橡胶密封件在硫化成型过程中出现的缺陷主要有四类：裂纹------脱模或冷却过程中产生的表面线性开裂，尺寸从零点零几毫米到数毫米不等；飞边------模具分型面合模间隙中的橡胶溢出形成薄边；气泡------硫化过程中残留气体在内部或表面形成的圆形空洞；硫化不良------局部欠硫导致表面发粘或硬度不均。
安徽密封件企业部署迅效自动化的方案时采用了三路光源分时工作。低角度平行光用于裂纹检测------黑色橡胶表面的微裂纹在光线以近于平行方向入射时两侧的微小高度差产生明暗反差在图像上形成暗线。漫反射环形光用于气泡检测------均匀漫射光使气泡在黑色底面上呈现灰色圆斑。背光用于飞边检测------背光穿过密封件的透射光在外形轮廓的边缘处产生高对比度剪影使飞边可识别。三路光源按设定时序依次点亮，相机在每路光源的曝光时间内分别拍摄对应波段图像。
专项模型架构的工程实现
四类缺陷在图像上的特征空间差异较大。迅效自动化的方案配置了四个专项模型------裂纹模型专注线性特征的语义分割、气泡模型专注圆形灰度异常的检测、飞边模型专注轮廓边缘完整性判定、硫化不良模型专注表面纹理的光泽度异常识别。四个模型在工控机上并行推理后综合判定模块汇总各路输出。专项模型在各自维度上的检出率均优于通用模型。设备投用后在密封件裂纹、飞边、气泡、硫化不良四类缺陷上分别达到了客户设定的检出率标准。
AI分选与传统人工分检的定量对比
传统方案：操作员在传送带旁目检------视觉疲劳导致微裂纹漏检率在连续工作两小时后显著上升；不同班次质检员对同一缺陷的判定标准不统一；数据不可记录。AI方案：操作员转为在监控终端上审核AI标记的可疑件------从第一个到第一万个判定标准一致；数据全部可记录和追溯。光源稳定输出，模型持续更新。设备投用后密封件产线的检出率在各班次的统计中维持了设计值的一致性------人工方案的两个小时疲劳曲线被消除。设备的数据记录功能使质量部的周报中可以直接导入每日的按缺陷类型分列的检出统计。
换线效率
密封件企业在切换产品时操作员在界面中选择对应的产品编码------四个模型切换和光源参数调整同时完成。企业生产的不同规格密封件的缺陷样本在打样阶段已标注完毕------训练完成的各模型部署到设备端。操作员在切换完成后做首件确认------确认检出正常后批次检测恢复。换线操作不需要工程师到场，操作员自行完成。
数据闭环与模型迭代
运行中被判定为异常的密封件经人工复核确认后对应的缺陷图像自动回流到训练集。模型按季度更新后推送至产线端。安徽企业的设备在投产后的首次模型更新中纳入了现场数千张缺陷图像------更新后的模型在边缘案例的检出率上有提升。批次间密封件颜色和表面状态的变化不会引起模型判定阈值的漂移------模型在训练阶段已见过足够多样的批次样本使批次差异的适应性在模型更新前就已经内置。
光源的工程维护
LED光源在工作数万小时后输出光通量下降。低角度平行光的亮度衰减导致裂纹检出率下降。安徽企业的设备在光源更换后裂纹的检出率基线恢复至出厂水平。相机每季度由操作员在远程指导下完成校准。模型更新通过云端推送。企业根据维护计划安排光源更换------更换周期在设备的后台界面中标注了累计工作小时数的提示。操作员在收到系统提示后按照维护操作流程更换光源模组------新模组安装后在标准样件上测试检出率正常后继续运行。
选型的工程建议
汽车零部件企业在选择AI视觉检测设备前将样品种类涵盖全部缺陷类型的真实密封件样品寄送到设备厂家打样------要求出具按缺陷类型分列的检出率报告。打样阶段的光源方案确定后锁定在设备出厂配置中。螺孔划痕、螺纹缺陷、底平面加工痕等每一类在候选设备的未涂层样品上提前检测以确保所有在合同中列出的尺寸边界都在触发换产操作前被设备支持。产线的典型被测件清单中不同长度、不同直径和不同端部形状的密封件在打样时被逐一测试并记录相应的检出数据------数据报告按缺陷类型和产品规格交叉分组列出。企业在评标过程中使用同一批样品的多厂家打样报告做对比------比测报告中的检出率数据反映了各候选设备的实际检出能力差额。差额在评标的技术评分表中被转换为对应的技术分差------技术分差的排序决定了候选设备在技术评估中的优劣次序。设备进厂后的实际运行数据与打样报告的数据对比在企业质量部的季度设备审核报告中以统一格式列明。两种数据的偏差在允差范围内时设备的检测能力被认为在长期运行中维持了初始验收基准线的稳定性------稳定性趋势符合预期时设备在下一年度的日常维护巡检中保持相同的维护频次和更换周期。