在鋁壓鑄件生產中，內部氣孔與夾雜等缺陷嚴重影響產品質量。微鏈道愛 DaoAI 憑藉先進技術，實現快速準確的 X-ray 檢測，為行業帶來新的解決方案。
行業背景與使用者場景：鋁合金壓鑄作為底盤、轉向、新能源結構件的主流工藝，在工業生產中佔據重要地位。然而，在壓鑄過程中，由於金屬液的流動特性、模具的設計和工藝參數等多種因素，極易在壓鑄件內部形成氣孔、縮松與夾雜等缺陷。這些缺陷在外觀上完全不可見，但卻直接削弱了零件的強度與氣密性，給產品的效能和質量帶來了極大的隱患。對於零部件生產廠家而言，確保產品質量符合標準是至關重要的。他們需要對壓鑄件進行內部探傷檢測，以找出這些隱藏的缺陷，避免不合格產品流入市場。傳統的檢測方法是採用 X-ray 對壓鑄件進行探傷，然後由人工進行讀片判斷。但隨著生產規模的擴大和生產節拍的加快，這種傳統方法逐漸難以滿足企業的需求。
痛點深挖：為什麼難
從速度維度來看，人工讀片速度慢是一個顯著問題。一般情況下，人工讀片一張 X-ray 影像可能需要數分鐘甚至更長時間，這與壓鑄產線的高節拍生產完全不匹配。壓鑄產線通常每分鐘能夠生產多個壓鑄件，而人工讀片的速度遠遠跟不上這個節奏，導致生產效率低下。例如，一條每分鐘生產 5 個壓鑄件的產線，如果人工讀片每個需要 3 分鐘，那麼就會造成大量的產品積壓，影響整個生產流程。
在準確性方面，人工讀片存在很大的主觀差異。不同的檢測人員對缺陷的判斷標準可能不同，即使是同一個檢測人員，在長時間讀片後也容易出現疲勞，導致微小氣孔等缺陷被漏判。據統計，人工讀片的漏判率可能達到 10%–15%，這意味著有相當一部分存在缺陷的產品可能會被誤判為合格產品，流入市場，給企業帶來潛在的質量風險。
從成本角度分析，人工讀片需要大量的人力投入，而且為了保證檢測的準確性，還需要對檢測人員進行專業培訓，這增加了企業的人力成本和培訓成本。此外，由於人工讀片效率低下，可能需要增加額外的檢測時間和設備，進一步提高了企業的生產成本。
造成這些問題的根本原因在於人工讀片是一種基於經驗和主觀判斷的方法。人類的視覺和認知能力存在一定的侷限性，在面對大量的 X-ray 影像和微小的缺陷時，容易出現疲勞和誤判。而且，人工讀片的標準難以統一，不同的人可能會因為個人經驗和判斷習慣的不同而得出不同的結論，這就導致了檢測結果的不一致性和不準確性。
技術原理
微鏈道愛 DaoAI 將深度學習 ACI (AI-AOI) 引入 X-ray 檢測環節。其核心演算法是基於卷積神經網路（CNN），這種演算法能夠自動從大量的資料中學習到特徵和規律。首先，模型在大量帶標註的探傷影像上進行訓練，這些影像包含了各種類型的氣孔、縮松、夾雜等內部缺陷，模型透過學習這些缺陷的灰度與形態特徵，能夠準確地識別和定位缺陷。在成像方面，X-ray 設備能夠穿透壓鑄件，獲取內部結構的影像。這些影像被傳輸到 DaoAI 系統中，系統利用訓練好的模型對影像進行分析和處理。
與傳統的人工讀片方法相比，DaoAI 具有明顯的優勢。傳統方法依賴於人工的經驗和主觀判斷，而 DaoAI 是基於資料和演算法的客觀分析，能夠避免主觀差異和疲勞帶來的影響。而且，DaoAI 的推理速度非常快，單張影像的推理時間能夠控制在 2 秒以內，這使得它能夠直接嵌入壓鑄產線節拍，實現內部缺陷的線上全檢。而傳統的人工讀片只能進行離線抽檢，無法滿足大規模生產的需求。
典型應用場景
- 底盤壓鑄件檢測：底盤是汽車的重要組成部分，其質量直接關係到行車安全。在底盤壓鑄件檢測中，DaoAI 能夠快速準確地檢測出內部的氣孔、縮松和夾雜等缺陷。難點在於底盤壓鑄件結構複雜，缺陷可能隱藏在各個部位，而且一些微小的缺陷可能對產品效能產生重大影響。DaoAI 透過高精度的演算法和快速的推理能力，能夠在複雜的結構中準確地定位和識別這些缺陷。
- 轉向系統壓鑄件檢測：轉向系統的壓鑄件需要具備高精度的效能，任何內部缺陷都可能影響轉向的準確性和可靠性。DaoAI 可以對轉向系統壓鑄件進行全面檢測，自動定位缺陷並按尺寸、數量、位置給出判廢結論。檢測的難點在於轉向系統壓鑄件的精度要求高，一些微小的氣孔和夾雜可能難以被發現，DaoAI 利用其深度學習模型的強大特徵提取能力，能夠檢測到微米級的缺陷。
- 新能源結構件壓鑄件檢測：新能源汽車的快速發展對結構件的質量提出了更高的要求。新能源結構件壓鑄件中的氣孔和夾雜等缺陷可能會影響電池系統的穩定性和安全性。DaoAI 能夠實時線上檢測這些缺陷，確保產品質量。難點在於新能源結構件的材料和工藝較為特殊，缺陷的形態和特徵可能與傳統壓鑄件有所不同，DaoAI 透過大量的樣本訓練，能夠適應不同的材料和工藝，準確檢測出缺陷。
- 發動機零部件壓鑄件檢測：發動機是汽車的核心部件，其零部件的質量至關重要。DaoAI 可以檢測發動機零部件壓鑄件中的氣孔和夾雜等缺陷，保證發動機的正常執行。檢測的難點在於發動機零部件的工作環境惡劣，對強度和氣密性要求極高，任何微小的缺陷都可能導致嚴重的後果，DaoAI 憑藉其高靈敏度的檢測能力，能夠有效檢測出潛在的缺陷。
落地案例
某中型零部件廠，主要生產汽車底盤、轉向系統和新能源結構件等鋁壓鑄件。該廠之前採用傳統的人工讀片方法進行 X-ray 檢測，但隨著訂單量的增加，生產節拍加快，人工讀片的效率和準確性問題日益突出。在引入微鏈道愛 DaoAI 解決方案後，上線過程較為順利。首先，微鏈道愛團隊對該廠的 X-ray 設備進行了對接和調試，確保系統能夠正常獲取影像。然後，利用該廠已有的探傷影像資料對模型進行了針對性的訓練，使其能夠更好地適應該廠的產品特點。經過一段時間的測試和最佳化，DaoAI 系統正式上線執行。
上線前，該廠人工讀片的效率低下，每天只能檢測約 200 個壓鑄件，漏判率達到 12%，讀片結果的一致性較差。上線後，DaoAI 系統實現了內部缺陷的線上全檢，單張影像推理時間小於 2 秒，每天能夠檢測的壓鑄件數量增加到 1000 個以上，漏判率降低至 2%，讀片結果的一致性大幅提高。
DaoAI 讓鋁壓鑄件檢測從離線、靠經驗的人工讀片，轉變為線上、量化的自動判廢，提升了生產效率和產品質量。
微鏈道愛解決方案與產品
微鏈道愛 DaoAI 解決方案主要包括深度學習 ACI 模型、資料處理系統和與 X-ray 設備的對接模組。深度學習 ACI 模型是整個系統的核心，它經過大量標註影像的訓練，能夠準確識別氣孔、縮松、夾雜等內部缺陷，並按尺寸、數量、位置給出判廢結論。資料處理系統負責對 X-ray 影像進行預處理、特徵提取和分析，確保模型能夠高效準確地處理資料。與 X-ray 設備的對接模組則實現了系統與 X-ray 設備的順暢連接，使得影像能夠實時傳輸到 DaoAI 系統中進行處理。
該產品具有以下特點：一是推理速度快，單張影像推理時間小於 2 秒，能夠匹配壓鑄產線的高節拍；二是缺陷識別準確，能夠自動定位和分級氣孔、縮松、夾雜等內部缺陷；三是判廢標準統一，按尺寸、數量、位置進行量化判定，消除了主觀差異；四是可產線部署，能夠與各種 X-ray 設備對接，告別離線人工讀片。
量化成效
透過採用微鏈道愛 DaoAI 解決方案，企業在多個方面取得了顯著的量化成效。在檢測效率方面，檢測速度提升了 400%以上，從每天檢測 200 個壓鑄件提高到 1000 個以上，大大縮短了檢測週期，提高了生產效率。在準確性方面，漏判率從 12%降低至 2%，誤報率降低了 30%，有效提高了產品的質量和可靠性。此外，缺陷資料還為壓鑄工藝參數調整提供了量化支撐，幫助企業最佳化生產工藝，進一步提高產品的質量和生產效率。
常見問題
鋁壓鑄件內部缺陷有哪些危害？
鋁壓鑄件內部的氣孔、縮松與夾雜在外觀上不可見，但會嚴重削弱零件的強度與氣密性。這會影響零部件的效能和質量，使產品存在強度隱患，可能導致在使用過程中出現故障，影響設備的正常執行，甚至危及安全。
DaoAI 如何解決 X-ray 人工讀片的問題？
DaoAI 將深度學習 ACI 引入 X-ray 檢測。模型經大量標註影像訓練，單圖推理 <2 秒，能快速準確自動定位缺陷。它還統一判廢標準，避免主觀差異，且可產線部署，告別離線人工讀片，提高檢測效率和準確性。
採用 DaoAI 方案後有什麼效果？
方案落地後，壓鑄件內部缺陷可線上全檢。讀片效率大幅提升，檢測速度加快，一致性提高。漏判風險顯著下降，產品質量更有保障。同時，缺陷資料為壓鑄工藝參數調整提供量化支撐，助力最佳化生產。
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。