背景与客户需求
作为线卷行业的领先制造商，以其在工业、体育和渔业领域的多样化应用而闻名，已启动一项战略项目，以提升其安全气囊纱
线生产的质量控制。其主要目标是升级检验流程，以满足汽车零部件所需的严格安全标准。
挑战
检查线卷呈现出独特的视觉复杂性，使传统规则化视野变得困难：
· 各种缺陷类型："模糊"缺陷的形态变化显著，需要一个灵活的检测系统，能够学习多种缺陷形式。
· 高视觉噪点：缠绕纱线的质地会形成嘈杂的背景。如果没有先进的加工，标准视觉系统很容易将普通的纱线绕制与实际缺陷混淆。
· 景深与对焦：由于相机检查圆柱形滚筒的侧面，曲率边缘的缺陷常常显得模糊或失焦，可能导致遗漏检测。
· 模糊标签：人工标注者与人工智能预测缺陷的精确区域存在差异，使得建立"完美"的真实性变得困难。
解决方案
为应对这些挑战，建立了利用 Techman Robot 的 Al 能力与高端视觉硬件整合的概念验证。
检查设置包括：
· 视觉硬件：一台Basler acA2500-14GM相机，搭配 OPTART 25mm定焦镜头和 CCS LDR2-50SW2-JD 光源。
· 配置：该系统设置了30厘米的物体距离，捕捉纱卷侧面的图像。
· 机制策略：为解决滚筒曲率引起的对焦问题，评估结论认为需要旋转机构将缺陷引入焦平面以便准确检测。
人工智能模型训练
该项目利用 TM AI +（版本2.22.1700）创建了一个稳健的缺陷检测模型。
· 数据集组成：模型在98张图像上训练，捕捉各种缺陷形状，其中17张留作测试用。
· 标签：团队对数据集中的缺陷（ NG ）进行了注释。初始培训包含59个标记实例。
· 持续改进：由于缺陷表现差异很大，验证损失最初难以最小化，团队将"自动 AI 训练"视为自动收集阴性样本并加强模型防范误报的关键功能。
结果与益处
在 TM 实验室环境中的评估展示了 AI 解决方案的可行性
· 有效检测： TM AI 系统成功检测到受控实验室环境中的缺陷。
· 处理误报：尽管纱线质地嘈杂， AI 仍能区分纱线绕线和实际毛丝缺陷。
·明确机械技术要求：测试显示静态成像会导致因模糊而漏检（一组测试中59个标签中有3个漏掉）。分析确认，实施轮换机制确保缺陷集中可解决这些失误。
· 通过自动 AI 实现可扩展性：为了处理"无限"的模糊形状，团队建议实施自动 AI 训练，持续优化模型，减少人类与 AI 判断之间的歧义。
结论
此次客户评估证明，人工智能检测能够克服在安全气囊纱线等复杂纹理上发现细微缺陷的困难。虽然光线和对焦等环境因素至关重要，但 TM AI ＋训练器与合理的机械设计相结合，确保了可靠的自动化质量控制流程。通过采用自动 AI 训练，系统具备未来适应性，能够适应新的缺陷变化，确保长期的一致性和质量。
