在注塑件生產領域，外觀檢測是確保產品質量的關鍵環節。然而，傳統檢測方式面臨諸多挑戰，微鏈道愛憑藉先進的技術方案為該行業帶來了新的解決方案。
場景：注塑件廣泛應用於家電、消費電子、日用品等眾多行業，為這些產品提供外殼與結構件。注塑件的外觀質量直接影響產品的整體品質和市場競爭力。其外觀缺陷型別多樣，既有幾何類缺陷，如飛邊、縮水、縮痕等，又有視覺類缺陷，如色差、流痕、銀紋、黑點與雜質等。而且，這些缺陷會隨著模具、料批、顏色的不同而不斷變化。在實際生產中，注塑件廠往往擁有數百套模具，同一產品還存在多種顏色與料批的組合，這使得外觀檢測工作變得極為複雜。
痛點：為什麼難
從量化維度來看，首先是缺陷樣本收集難。由於模具與顏色頻繁切換，要為每個模具和顏色的組合都收集齊全缺陷樣本幾乎是不可能的。據統計，一箇中等規模的注塑件廠，可能有數百種不同的模具和顏色組合，若為每種組合都收集足夠的缺陷樣本，所需的時間和人力成本極高。其次，傳統視覺檢測方式的維護成本高。傳統方法需要為每種缺陷單獨編寫規則，換一套模具就要重新調整檢測規則，這不僅需要專業的技術人員，而且每次調整都需要花費大量的時間。以一套複雜模具的檢測規則調整為例，可能需要數天甚至數週的時間。再者，人工目檢的主觀性強。人工檢測時，不同的檢測人員對同一缺陷的判斷標準可能存在差異，尤其是在色差判定方面，完全依賴個人經驗，導致檢測結果的一致性和準確性難以保證。據調查，人工目檢的誤判率可能高達 20% -30%。
這些問題的根因在於注塑件生產的複雜性。模具的不同會導致注塑件的形狀和尺寸發生變化，料批的差異會影響材料的效能和外觀，顏色的多樣性則增加了視覺檢測的難度。傳統的檢測方法無法適應這種複雜多變的生產環境，只能透過不斷地調整規則來應對，這就導致了維護成本高和效率低下的問題。而人工目檢則受到人的生理和心理因素的影響，難以做到完全客觀和準確。
技術原理
微鏈道愛的 DaoAI 方案採用了良品基準 + APDT 正樣本學習的技術。其演算法機制是透過收集少量的良品樣本，建立每個模具/顏色組合的檢測標準。APDT 正樣本學習演算法能夠讓系統學習到良品的特徵，從而在同一流程內統一識別飛邊、縮水、流痕、色差等多類缺陷，無需為每種缺陷窮舉樣本。在成像方面，系統採用高精度的成像裝置，能夠清晰地捕捉注塑件的外觀細節，為後續的檢測提供準確的資料。硬體方面，配備了高效能的處理器和儲存裝置，確保系統能夠快速處理大量的影象資料。
與傳統方法相比，這種技術更加高效和靈活。傳統方法需要為每種缺陷單獨編寫規則，而 DaoAI 方案只需要建立良品基準，透過學習良品的特徵來識別缺陷，大大減少了規則編寫的工作量。同時，微鏈道愛在換型時直接調取對應組合的良品基準，實現 5 分鐘 0 程式碼換型，能夠快速適應模具和顏色的切換。而且，該方案能夠將色差判定標準化、可復現，解決了人工目檢主觀性強的問題。
典型應用場景
- 飛邊檢測：飛邊是注塑件常見的幾何類缺陷，通常出現在模具的分型面處。檢測時，系統透過對比良品基準，識別出超出正常邊界的飛邊部分。難點在於飛邊的大小和形狀可能因模具和工藝的不同而有所差異，需要系統具有較高的適應性。
- 縮水檢測：縮水是由於注塑過程中材料收縮不均勻導致的。系統透過分析注塑件表面的平整度和光澤度，判斷是否存在縮水現象。難點在於縮水的程度可能比較輕微，需要高精度的成像裝置和靈敏的演算法才能準確檢測。
- 色差檢測：色差是視覺類缺陷，直接影響產品的外觀質量。系統採用顏色感測器和影象分析技術，將注塑件的顏色與良品基準進行對比，判斷是否存在色差。難點在於顏色的感知和判斷容易受到環境光線的影響，需要系統具有良好的抗干擾能力。
- 流痕檢測：流痕是注塑過程中塑膠流動不均勻產生的痕跡。系統透過分析注塑件表面的紋理和圖案，識別出流痕的位置和程度。難點在於流痕的形態可能比較複雜，需要系統能夠準確區分正常的紋理和流痕。
落地案例
某匿名注塑件廠為家電、消費電子、日用品供應外殼與結構件，擁有數百套模具，同一產品有多種顏色與料批。在採用 DaoAI 方案之前，該廠主要依靠人工目檢和傳統視覺檢測方法，面臨著換型慢、維護成本高、漏檢和誤判率高的問題。上線過程中，微鏈道愛技術團隊首先收集了少量的良品樣本，為每個模具/顏色組合建立了檢測標準。然後對產線工人進行了培訓，使其能夠熟練作業系統。上線後，該廠的注塑件外觀檢測效率和質量得到了顯著提升。
“DaoAI 方案讓我們的注塑件外觀檢測從依賴個人經驗轉為統一可復現的標準，大大提高了生產效率和產品質量。” —— 某注塑件廠負責人
微鏈道愛解決方案與產品
微鏈道愛的 DaoAI 方案以其獨特的技術優勢，為注塑件外觀檢測提供了高效、準確的解決方案。該方案採用良品基準 + APDT 正樣本學習，用少量（1-20 張）良品建立每個模具/顏色組合的檢測標準，系統在同一流程內統一識別多類外觀缺陷。微鏈道愛在換型時，產線工人可以在 5 分鐘內 0 程式碼完成模具/顏色的切換，按模具與顏色歸檔檢測基準，實現多品種小批次快速上線。
量化成效：DaoAI 方案落地後，取得了顯著的量化成效。在缺陷檢測方面，微鏈道愛的系統檢出率達到了 99%以上，漏檢率降低至 1%以下。誤報率也大幅下降，相比傳統方法降低了 30%以上。換型時間從原來的數天甚至數週縮短至 5 分鐘，大大提高了生產效率。同時，注塑件外觀檢測從依賴個人經驗轉為統一可復現的標準，色差與縮水等爭議性缺陷有了客觀判定，產線在小批次多品種下保持了穩定的外觀質量。
常見問題
注塑件外觀缺陷有哪些特點，傳統檢測方式存在什麼問題？
注塑件外觀缺陷有幾何和視覺類，隨模具、料批、顏色不斷變化。傳統檢測方式為每種缺陷建規則，換模重調，維護成本高，跟不上換型節奏，且人工目檢主觀性強、標準難統一，色差判定尤其依賴個人經驗。
DaoAI 方案如何解決注塑件外觀檢測問題？
DaoAI 採用良品基準 + APDT 正樣本學習，用少量良品建檢測標準，統一識別多類缺陷，無需窮舉樣本。換型時 5 分鐘 0 程式碼切換，按模具與顏色歸檔檢測基準，實現多品種小批次快速上線。
DaoAI 方案落地後有什麼效果？
落地後，注塑件外觀檢測有了統一可復現標準，爭議性缺陷有客觀判定。換型快速，漏檢與誤判下降，產線在小批次多品種下保持穩定外觀質量，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。