塑料注塑AI缺陷检测：实用指南

注塑工艺会产生一类非常具体、非常视觉化、又很难在生产节拍下用人眼可靠识别的缺陷。黑色保险杠上0.1mm的缩痕。透明壳体上的熔接线。连接器本体上的飞边毛刺。这些都是质量工程师在实验室里能识别、但在每分钟240件、连续12小时的轮班中会被疲劳吞噬的缺陷。

这正是AI视觉所擅长的检测问题。对象具体、可重复、视觉特征鲜明，零件几何相对受限。经济账算得通，部署速度快，ROI也有充分记录。宝马莱比锡工厂在保险杠生产线上集成AI视觉后，报废率下降34%。这不是愿景数字，而是系统正确调优后，产线节拍下持续检测能够交付的真实结果。

本文是面向塑料注塑AI检测的实用缺陷目录与部署指南。亦可参阅注塑件完整性应用页，了解Overview AI在该领域的完整架构。

缺陷目录

缩痕

冷却不均导致的小型表面凹陷，通常出现在厚壁段或加强筋根部。在外观面上属于外观缺陷，在结构面上属于结构缺陷。亚毫米级缩痕（深度0.1到0.5mm）是最难被肉眼识别的一类，尤其是在深色或带纹理的表面。AI视觉配合掠射角照明与具备深度感知的分类器可可靠检测。

欠注

模具未充满，零件缺失几何特征。一律判废。通过与已知良品基线进行轮廓比对即可轻松检测。欠注通常是首批部署的缺陷类别之一，因为检测原理直接，且后果（下游装配失败）严重。

飞边

在分型线、排气槽或顶针位置出现的多余材料。功能面上的飞边导致装配问题；外观面上的飞边客户会判退。检测要求沿整条分型线达到亚毫米级边缘分辨率。基于飞边几何形态训练的AI分类器在此类问题上表现良好；规则式视觉系统则较为吃力，因为分型线会因模具与材料批次不同而出现细微变化。

熔接线（熔合线）

充模过程中两股流体前沿汇合处可见的接缝。始终存在，但有时明显到足以构成外观判废依据。透明或半透明件上的熔接线尤其显眼。检测方案：表面纹理分类器，结合按位置定阈值（部分非可见区域的熔接线可接受）。

翘曲

冷却不均或残余应力导致的尺寸畸变。可通过3D检测或与CAD模型的尺寸比对捕获。翘曲属于纯2D AI视觉不足以应对的场景之一；建议搭配结构光或激光三角测量进行测量。

银纹（银丝）

树脂受潮或工艺波动导致的表面条纹。在外观面上属于判废缺陷，尤其在深色或带色母材料上。检测：面向条纹纹理的训练分类器，并以高召回率为优先目标，因为银纹往往提示上游树脂处理需要关注的问题。

烧焦

充模过程中长流道末端被困气体被点燃形成的深色变色区。一律判废。检测：基于颜色的分类器，配合形状与位置过滤，以与正常纹理变化区分开来。

气泡与空洞

透明件上可见为内部气泡；不透明件上则表现为表面凹陷或强度薄弱区。检测：透明件采用背光成像加AI分类器；不透明件需要具备深度感知的检测，或在产线架构允许时采用固化后热成像。

异物污染

来自上游树脂处理的颗粒、纤维或颜色污染。检测：基于工厂实际观察到的污染类型训练像素级分割分类器。合成数据增强在此尤其有用，因为真实污染样本稀少且形态多样。

相机该装在哪里

检测相机的三种布置选项，各有取舍：

注塑机旁、刚顶出后。在任何搬运损伤发生之前捕获缺陷。让注塑机控制系统能够自动标记并分流不良件。缺点：相机面临热应力、来自压机的振动以及拍摄角度受限。

传送带后、下游加工前。最常见的布置位置。热环境稳定，可设多个拍摄角度，可实现完整360度检测。缺点：不良件可能已被搬运或堆叠。

修边或二次工序之后。当二次工序（去浇口、修边、粘接）会引入自身缺陷类别时尤为有用。在每道二次工序前后各做一次检测，便于定位失效环节。

对多数产线而言，传送带后是合适的起点。对于高节拍、高单件价值的零件，把相机布置在压机旁、在不良件离开压机前就拦截，可显著降低下游浪费，值得投入热管理改造。

照明比相机更重要

注塑检测的多数失败属于照明失败，而非算法失败。黑色塑料、光面与复杂几何都需要细致的照明设计。详见照明最佳实践，其中详细介绍了架构选择。

注塑检测的常用清单：

• 漫射穹顶照明：用于强反射或光面表面。
• 掠射角结构光：用于缩痕、凹坑与表面缺陷。
• 背光照明：用于透明或半透明件，检测气泡与夹杂物。
• 同轴照明：用于强镜面反射表面，需要控制反光。
• 多光谱成像：用于标准RGB下不可见的同色污染。

训练数据：从5到20张图像起步

现代AI视觉平台在多数注塑缺陷类别上，每类仅需5到20张真实缺陷图像即可达到生产级精度。关键不在原始图像体量，而在生产范围内的图像质量与多样性。

对于稀有缺陷类别（低于1/10,000），合成缺陷生成可在不必等待数月自然样本积累的情况下补齐空缺。完整机制详见我们的HVMM制造合成数据白皮书。

当一副模具产出多个产品变体（不同颜色、不同嵌件、不同模后处理）时，应按变体训练独立模型。Style Transfer可在变体间传递同一缺陷类别，无需为每种颜色或材料变化重新采集样本。

生产经济账

典型注塑产线在稳定生产时的报废率为1%到5%。AI视觉部署普遍报告报废率下降20%到40%，主要来自更早识别缺陷、避免不良件继续累计下游加工成本。

一条年产1,000万件、单件$0.50的典型产线，若在3%的基础报废率上下降30%，每年每条产线大约可挽回$45,000。在多数生产体量下，检测系统在一年内回本；在汽车一级供应商的零件项目上，回收期通常在6个月以内。

如何起步

多数成功的注塑部署遵循一个4周节奏。第1周：在选定检测点安装相机，针对优先缺陷类别采集良品与不良品样本。第2到3周：扩展到全部缺陷类别与零件变体。第4周：与PLC集成，自动化分流不良件，与并行人工检测进行验证。

更多关于部署节奏的内容，参见快速实施。