0 前言

       人工智能（AI）在视觉领域的应用，尤其是深度学习技术，通过模拟动物的视觉神经网络，实现了对复杂图像的精准分析与识别。深度学习将神经元的工作原理转化为数学模型，并通过多层网络结构对视觉信号进行逐层抽象，最终完成从图像到概念的映射。

       与传统算法相比，AI具有显著优势：

       1.数据驱动：深度学习通过大量标注数据自动学习分类规则，无需人工编写复杂算法。

       2.适应性强：能够有效应对零件表面差异、光源变化等工业检测中的常见问题。

       3.通用性高：同一网络架构只需调整训练数据可适用于不同任务，显著降低开发成本。

       近年来，AI深度学习模型（如卷积神经网络CNN）在图像分类、目标检测等任务中表现卓越。在工业检测领域，AI技术能够克服光照波动、零件形变等干扰因素。例如，基于迁移学习的预训练模型（如ResNet、YOLO）通过微调即可适应特定检测场景，显著缩短开发周期。此外，多模态数据融合（如图像+3D点云）进一步提升了微小缺陷的识别精度。

       汽车零部件制造对一致性要求极高，但加工工艺波动导致的表面纹理差异、机械振动引发的成像模糊等问题长期存在。传统算法依赖人工设计特征（如边缘检测、模板匹配），难以应对复杂纹理背景下的缺陷分割。此外，工业现场光源稳定性不足、设备安装误差等因素进一步增加了检测难度。AI技术的引入为解决这些问题提供了新思路。

       1.小样本学习：缺陷样本稀缺导致模型泛化能力不足；

       2.实时性要求：生产线需毫秒级响应速度；

       3.跨域适应性：不同批次零件的表面特性差异需模型动态调整。

1 整体方案

       齿轮轴在加工过程中易产生多种缺陷，如磕碰、黑皮、裂纹、崩齿、划伤等，如图1所示。目前，企业主要依赖人工目视检测，存在以下痛点：

       ●效率低：检测需在特定光照条件下（300-600LX）进行，人员需旋转产品逐一检查，耗时较长。

       ●标准不一：人员对缺陷的理解差异导致漏检或误判，引发客户投诉。

       ●成本高：培训周期长，人力成本居高不下。
 
       本方案设计了一套“硬件+算法+软件”的全流程检测系统（图2）：

       采用面阵相机，全局成像与粗定位；应用线阵相机进行高速扫描齿面细节，分辨率8k像素，行频80kHz；进行多角度布局，两台面阵相机对称布置于齿轮轴两侧（俯角15°），线阵相机垂直向下，结合旋转平台实现360°无死角扫描。

       同时通过PLC脉冲信号控制相机与旋转平台时序，确保图像采集与运动同步。并采用环形LED阵列与同轴光源组合，通过多角度补光消除阴影和反光干扰。

       该系统有以下优势：

       1)全检覆盖：关键表面（齿面、端面、轴颈）100%检测；

       2)数据追溯：缺陷信息实时记录并与MES系统集成，支持质量追溯与工艺优化；

       3)柔性适配：通过调整训练数据与参数，可快速迁移至其他轴类零件检测。
 
2 项目具体实施

       2.1 结构设计

       为全面覆盖齿轮轴的关键检测区域（如齿面、端面、轴颈），采用多角度相机协同成像方案：面阵相机：选用Basler acA2440-75μm（分辨率2448×2048，帧率75fps），负责全局成像与粗定位；线阵相机：配置Teledyne DALSA Linea ML（分辨率8k像素，行频80kHz），用于高速扫描齿面细节。在齿轮轴轴线两侧对称布置两台面阵相机，俯角15°，覆盖齿面与端面；部安装线阵相机，垂直向下，配合旋转平台实现360°齿面扫描（图3）。通过PLC发送脉冲信号，控制相机与旋转平台同步动作，确保图像采集时序一致性。
 
       2.2 构建AI视觉算法和模型

       多光源设计：在图像采集环节，采用多角度、多强度的光源组合，减少阴影和反光干扰。

       在预处理阶段，使用直方图均衡化（Histogram Equalization）或Retinex算法，增强图像对比度并消除光照不均。在训练数据中模拟不同光照条件下的图像。使用生成对抗网络（GAN）或自编码器（Autoencoder）去除光照影响，提取光照不变的特征，齿轮等零件表面可能存在复杂的纹理、划痕或加工痕迹，容易与真实缺陷混淆。

       纹理分析与特征提取：使用局部二值模式（LBP）、灰度共生矩阵（GLCM）等传统方法提取纹理特征，结合深度学习模型进行区分。在深度学习模型中引入多尺度卷积（如Inception模块），捕捉不同尺度的纹理和缺陷特征。在模型中引入注意力机制（如Self-Attention或CBAM），让模型聚焦于缺陷区域，忽略无关纹理。

       2.3 调整AI视觉判定模型的准确率

       传统方法的局限性：传统的齿轮磕碰检测主要依赖人工目检或简单的自动化设备，容易受到主观判断、疲劳等因素影响，导致漏检或误检。快速检测能力：AI系统可以在毫秒级时间内完成单个齿轮的检测，大幅缩短检测周期，满足生产线的高节奏需求。该技术可以实现全自动化检测，减少人工干预，提高生产效率并降低人力成本。

       采用PyQt5作为开发框架，其优势在于跨平台兼容性（支持Windows/Linux）、丰富的UI组件库以及高效的信号槽通信机制，便于快速构建工业级交互界面。

       实时监控：动态显示相机采集图像、缺陷标注框及检测结果（如缺陷类型、位置、置信度）；支持光源亮度、相机曝光时间、旋转平台转速等参数在线调整；内置SQLite数据库，存储检测历史记录（时间戳、缺陷类型、图像路径等），支持按批次、日期或缺陷类型查询。

       系统可以自动导出Excel或PDF格式的检测报告，包含缺陷统计图表、过程能力指数（CPK）分析。

       2.4 技术创新点

       提出一种改进的AI模型架构，通过跨光照域特征对齐，将不同光照条件下的齿轮图像映射至统一亮度空间。生成器采用U-Net结构，包含跳跃连接以保留局部细节；专注于局部纹理一致性。并且集成检测结果与MES系统，实现缺陷批次自动锁定与工艺参数优化建议。

3 实施效果

       通过视觉检测设备配合AI检测替代目前人员目视，同时能够将产品关键表面进行全检，提高生产品质，避免由于人工检测带来的标准不一致，漏检测等问题。

       3.1 检测性能验证

       系统集成与调试通过模块化设计、标准化协议与多维度优化，实现了硬件、算法与软件的高效协同。

       从零件上料、图像采集、缺陷判定到分拣下料，验证各环节协同性；测试最小可检缺陷（0.5×0.5mm）、最大检测速度（30秒/件），最终系统在工业现场表现稳定，对1,500组测试样本中，误检率0.3%（表1）。
 
       3.2 经济效益分析

       1)成本节约：年减少人工成本65万元，废品率降低34%；

       2)质量提升：客户投诉率下降69%，缺陷漏检率≤0.3%；

       3)效率优化：检测节拍提升4.1倍，支持生产线24小时连续运行。
 
       该系统还可进行功能扩展：

       1)远程运维：设备支持远程诊断与算法OTA升级；

       2)数据分析：内置SPC（统计过程控制）模块，自动生成CPK趋势图，辅助工艺优化；

       3)微小缺陷检测：可识别0.5×0.5mm的磕碰缺陷（图5）。
 
4 结论

       本研究针对齿轮轴外观检测中人工目视效率低、标准不统一的行业痛点，提出了一种基于深度学习的全自动化视觉检测系统。通过多光源协同成像、改进视觉模型与动态阈值机制的结合，实现了对微小缺陷（的高精度识别。实验结果表明，系统在复杂工业环境下的，误检率低至0.3%，单件检测时间≤30秒，显著优于传统算法与人工检测方案，为智能制造场景下的质量管控提供了新范式。