鋁壓鑄件氣孔檢測：APDT 少樣本自訓練，壓降漏檢率

微鏈道愛 3D AI AOI 裝置(自研 3D 相機 + 三維形貌重建/點雲, 檢隱藏焊點/共面度/微米級形貌/氣孔等 2D 光學盲區缺陷, 2D-3D 融合) 透過 APDT 少樣本自訓練結合高精度三維檢測，將某汽車零部件 Tier-1 供應商的鋁壓鑄件氣孔漏檢率從約 2.0% 降至 <0.5%，大幅提升了交付產品的可靠性與客戶滿意度。

汽車 / 零部件 行業對產品質量與可靠性有著極致的要求，尤其是關鍵部件如鋁壓鑄件，其內部缺陷直接關係到整車的安全效能與使用壽命。在發動機缸體、變速箱殼體、懸掛支架等核心部件的製造中，鋁壓鑄工藝因其輕量化、高強度等優勢被廣泛採用。然而，由於熔鍊、澆注、凝固等環節的複雜性，壓鑄件內部極易產生氣孔、縮孔、夾雜等缺陷。這些缺陷在產品服役過程中，可能成為應力集中點，導致疲勞斷裂，造成嚴重後果。傳統上，X-ray 檢測是發現這些內部缺陷的主要手段，但其效率、成本以及對操作人員的專業要求較高，且在面對多樣化的缺陷形貌時，人工判讀容易疲勞併產生誤判、漏判。微鏈道愛 3D AI AOI 裝置正是針對這一痛點，透過結合先進的三維成像技術與 APDT 少樣本自訓練能力，為汽車零部件製造商提供了一種高效、精準的解決方案。

痛點:這道坎為什麼難過

鋁壓鑄件內部氣孔的檢測面臨多重挑戰。首先是缺陷的隱蔽性與多樣性，氣孔可能分佈在鑄件內部的任何位置，尺寸從微米級到毫米級不等，形態各異，這使得傳統 2D 視覺檢測幾乎無法發現。其次，傳統 X-ray 檢測雖然能穿透材料，但缺陷的量化分析和自動化判別一直是難題。人工判讀 X-ray 影象，不僅效率低下，且受限於操作員經驗和疲勞度，導致漏檢率通常在 1.5%–2.5% 之間，誤報率也居高不下，加大了複檢工作量。對於批次生產的汽車零部件而言，每一件產品的檢測時間都至關重要，傳統方案的檢測節拍往往較慢，難以滿足生產線的高速需求，導致產線效率降低約 −15%−20%。

從工藝和成像層面來看，鋁壓鑄件的複雜幾何形狀和表面紋理，以及氣孔在三維空間中的隨機分佈，都給精確檢測帶來了巨大障礙。尤其當氣孔與鑄件本身的疏鬆組織、晶界等特徵混淆時，區分真假缺陷變得異常困難。此外，工業 AI 視覺系統中，感測器的校準對系統整體效能和魯棒性的影響至關重要。傳統的視覺系統在面對不同批次、不同光照條件下的產品時，需要頻繁進行復雜的感測器校準和模型調整，這不僅耗時耗力，也直接影響了模型的泛化能力和檢測精度，導致換型時間長，通常需要 2–4 小時，嚴重影響了多品種小批次生產的靈活性。

技術原理

微鏈道愛 3D AI AOI 裝置的核心優勢在於其自研的 3D 相機與先進的三維形貌重建技術，能夠獲取鋁壓鑄件表面及內部（透過結合 X-ray 影象處理）的完整三維點雲資料。這使得裝置能夠突破 2D 光學盲區，精準捕捉微米級的氣孔、縮孔等缺陷的三維形貌特徵，例如氣孔的深度、體積和精確位置。與傳統 X-ray 影象的二維灰度資訊相比，三維點雲資料提供了更豐富、更準確的缺陷空間資訊，為後續的 AI 分析提供了堅實基礎。微鏈道愛透過獨有的 2D-3D 融合技術，將高解析度的 2D 影象與精細的三維資料相結合，進一步提升了缺陷的檢出能力和判別精度。

在演算法層面，微鏈道愛 3D AI AOI 裝置採用了 APDT（Adaptive Pre-trained Deep Transfer）少樣本自訓練技術。這項技術使得裝置僅需 1–20 張良品樣本，甚至在少數缺陷樣本的情況下，也能快速完成缺陷模型的訓練和部署。傳統規則 AOI 需要工程師耗費大量時間編寫複雜規則，且對新缺陷型別適應性差；而傳統的深度學習模型則需要海量標註資料。APDT 少樣本自訓練技術，利用預訓練的基礎模型，透過少量新資料進行微調，顯著縮短了模型開發週期，將換型時間從數小時縮短至 5 分鐘以內。這不僅極大地降低了模型訓練的門檻和成本，也提升了裝置在多品種小批次生產場景下的適應性與柔性。透過語義誤報過濾機制，微鏈道愛裝置還能有效區分真實缺陷與表面紋理、工藝痕跡等非缺陷特徵，將誤報率降低了 −80% 以上，避免了大量無效複檢。

典型應用場景

• **鋁壓鑄件內部氣孔/縮孔檢測：** 微鏈道愛 3D AI AOI 裝置結合 X-ray 影象處理，透過三維形貌重建技術，精準識別並量化鑄件內部的氣孔、縮孔大小、形狀和空間分佈。難點在於氣孔形態多樣，且與鑄件組織結構易混淆。
• **共面度檢測：** 在汽車電子控制器（ECU）或感測器模組的焊點、引腳共面度檢測中，裝置能以微米級精度測量引腳或焊盤的高度差異，確保焊接質量。難點在於微小高度差的精確測量和複雜幾何形狀的適應性。
• **微米級形貌缺陷檢測：** 對於如劃痕、毛刺、凹陷等表面微小缺陷，自研 3D 相機能獲取高解析度的三維形貌資料，實現傳統 2D 視覺難以發現的缺陷檢測。難點在於區分真實缺陷與產品表面正常紋理。
• **隱藏焊點缺陷檢測：** 在 BGA、QFN 等封裝形式的汽車電子模組中，傳統 2D AOI 無法檢測到封裝體下方的焊點。微鏈道愛 3D AI AOI 裝置透過三維點雲分析，可有效檢測焊點空洞、虛焊、連錫等隱藏缺陷。難點在於焊點的遮擋和複雜三維結構的重建精度。
• **塗膠/密封件完整性檢測：** 針對汽車零部件的塗膠密封質量，裝置能檢測膠條寬度、高度、連續性、溢膠、斷膠等缺陷，確保密封效能。難點在於膠條邊緣的精確識別和多變形狀的適應。

落地案例

某頭部汽車零部件 Tier-1 供應商，其主要產品包括發動機缸體和變速箱殼體等鋁壓鑄件。在引入微鏈道愛 3D AI AOI 裝置之前，該供應商主要依賴人工目檢結合抽樣 X-ray 檢測來把控氣孔質量。由於產品種類多、產量大，傳統檢測方案面臨巨大的挑戰：人工目檢效率低下且一致性差，X-ray 判讀依賴經驗豐富的技師，導致產線漏檢率一度高達 2.0% 左右，直接影響了下游總裝線的合格率，並增加了 −15%–20% 的返工成本。此外，每次新產品上線或產品換型，都需要數小時甚至一天時間進行引數調整和規則編寫，嚴重製約了生產線的柔性。

為解決這些痛點，該供應商引入了微鏈道愛 3D AI AOI 裝置。在上線過程中，微鏈道愛技術團隊利用 APDT 少樣本自訓練功能，僅透過收集到的 10 張合格品三維點雲資料和少量缺陷樣本，便在 30 分鐘內完成了氣孔檢測模型的訓練和部署。裝置上線後，實現了對所有鋁壓鑄件的 100% 全檢，其高精度三維檢測能力與 AI 智慧判別，使得氣孔的漏檢率穩定控制在 <0.5% 以下，檢出率高達 99.5% 以上。同時，透過語義誤報過濾，將誤報率降低了 −85%，大幅減少了人工複檢的工作量。換型時間也從原來的 3 小時縮短到 5 分鐘以內，極大地提升了產線柔性與生產效率。該客戶高度評價微鏈道愛 3D AI AOI 裝置為其帶來了顯著的質量提升和成本節約。

微鏈道愛 3D AI AOI 裝置，以 APDT 少樣本自訓練賦能，實現鋁壓鑄件氣孔檢測的精準突破，將漏檢率從 2.0% 降至 <0.5%，為汽車零部件行業帶來前所未有的質量保障與生產效率飛躍。

微鏈道愛解決方案與產品

微鏈道愛為汽車 / 零部件行業提供的核心解決方案是基於其強大的 3D AI AOI 裝置。該裝置整合了微鏈道愛自研的高精度 3D 相機，能夠實現對壓鑄件、PCB 板、機械零件等複雜物件的微米級三維形貌重建。透過獲取高密度點雲資料，裝置能夠準確捕捉傳統 2D 視覺無法發現的隱藏缺陷，如內部氣孔、微小劃痕、焊點共面度不足等。結合微鏈道愛 DaoAI AI AOI 軟體系統，我們實現了 APDT 少樣本自訓練，客戶只需提供少量良品樣本（1–20 張），即可在短時間內完成模型訓練和部署，大幅降低了 AI 視覺的實施門檻和時間成本。此外，微鏈道愛還提供 2D-3D 融合檢測能力，將三維資料與高解析度二維影象相結合，進一步提升了缺陷識別的魯棒性和準確性。

在部署與整合方面，微鏈道愛解決方案支援 100% 本地私有化部署，確保客戶資料安全不外洩。我們的 SDK/API/Docker 部署方式，使得系統能夠無縫整合到客戶現有生產線和 MES 系統中，實現資料閉環管理和質量追溯。針對多品種小批次生產需求，微鏈道愛的零程式碼快速換型功能，使得產線工程師能夠快速調整檢測引數和模型，無需專業的程式設計知識。透過微鏈道愛 DaoAI World 世界模型統一底座，我們的裝置具備了更強的語義理解和跨場景泛化能力，能夠從產線反饋中持續學習，不斷最佳化檢測效能，為客戶提供長期穩定的質量保障。在本次鋁壓鑄件氣孔檢測案例中，微鏈道愛 3D AI AOI 裝置將氣孔漏檢率降低了 −75% 以上，並將換型時間從數小時縮短至 5min，顯著提高了生產效率和產品質量。

本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。