汽车零部件制造领域的质量管控，正面临前所未有的挑战。新能源车结构件尺寸复杂、表面缺陷种类繁多，传统人工目检在节拍与一致性上的瓶颈愈发明显——一条产线动辄每分钟60件的检测速度要求，人眼几乎不可能稳定覆盖。

产线升级的痛点：漏检与数据断层

我们接触过的一家铝合金压铸件供应商，曾因气孔和划痕漏检导致整批退货，直接损失超80万元。更棘手的是，缺陷数据无法实时回流到工艺端，压铸机参数调优只能靠老师傅经验，问题反复出现。这并非个例：“检测看得见，数据用不上”，是工厂数字化改造中最常见的卡点。

要解决这类问题，不能只靠换一台更亮的相机。真正的破局点在于，将机器视觉检测与自动化控制系统、数据采集能力深度耦合，让质检从“判废”工具升级为“工艺反馈”节点。

我们的方案：边缘计算与多光谱融合

针对该客户，新吗钛（上海）智能科技有限公司部署了一套基于多光谱成像的视觉检测单元。系统同时捕获2D灰度、3D点云和红外热像，通过自研算法对气孔、裂纹、毛刺进行分层识别。检测速度达到每件0.8秒，过检率控制在0.3%以内——这得益于我们在工业智能设备领域积累的底层图像加速库，而非单纯堆叠硬件。

关键在于，每一条缺陷记录都会自动打上产线工位、压铸机号、模次等标签，实时写入工厂MES系统。管理者在手机端即可看到缺陷率趋势与设备参数的关联曲线，哪个模具需要维护、哪台机台的冷却时间偏差，一目了然。

落地实践中的三个心得

• 先做数据治理，再谈算法优化。如果客户现场的PLC数据接口不统一，再好的视觉模型也沦为孤岛。我们通常先花两周梳理信号流。
• 缺陷样本要“养”起来。上线初期，系统会主动收集边缘案例（疑似缺陷但非缺陷），每月迭代一次分类阈值，让误判率持续下降。
• 操作界面必须适配车间环境。触屏按钮不小于40×40像素，支持戴手套操作，这是很多软件团队忽略的细节。

项目上线三个月后，该客户综合漏检率由1.2%降至0.15%，年度质量成本节省约200万元。更重要的是，工艺工程师第一次能基于全量检测数据调整压射曲线，而非依赖抽检结果。

在智能制造软件与工厂数字化的融合进程中，视觉检测不再是产线末端的“守门员”，而是驱动工艺优化的“传感器”。新吗钛（上海）智能科技有限公司持续将算法工程化、硬件标准化，让更多中小型零部件企业能以可控成本获得这套能力。下一步，我们正尝试将检测结果直接联动机械臂的自动打磨补偿——质检与制造的距离，正在被技术重新定义。