AI工业质检落地实操：从硬件到部署全方案 📊

一、前期核心：🔧 硬件选型——别让设备拖垮AI效果

AI质检的基础是“拍得清”，硬件选型直接决定数据质量，而数据质量又决定模型效果。很多企业盲目追求“高像素相机”，却忽视光源、镜头与缺陷类型的匹配，导致“相机很贵，图片很废”。以下是基于“发动机缸体缺陷”场景的硬件选型逻辑，可平移至轴承、芯片等其他零部件检测。

1. 📋 核心硬件选型表（附参数与理由）

2. ⚠️ 硬件搭配避坑要点

● ⏱️ 快门与运动速度匹配：流水线移动速度v，相机视野宽度w，快门速度需满足“快门时间 ≤ w/(v×1000)”，否则会出现运动模糊。例：v=1m/s，w=15cm，快门时间需≤150ms，实际设为100ms更安全。

● 💡 光源角度调试：检测凹陷/凸起缺陷时，光源与镜头呈45°角（阴影效应突出立体缺陷）；检测平面划痕时，光源与镜头同轴（漫反射突出平面差异）。

● 📡 网口传输带宽：500万像素图片（BMP格式）约15MB/张，10GigE网口传输速度达1000MB/s，可避免传输延迟；若用千兆网口，需将图片压缩为JPG格式（压缩比5:1）。

二、数据采集与标注：🗂️ AI质检的“地基”

模型效果的好坏，80%取决于数据质量。工业场景数据的核心要求是“覆盖全缺陷类型、标注精准”，而非盲目追求数据量。以下是基于缸体检测的标准化流程，日均可采集标注500张有效图片，3周即可满足模型训练需求。

1. 📸 数据采集：3步获取高质量图片

1.  1️⃣ 场景覆盖：按“缺陷类型+位置+光照”三维度采集，确保覆盖6类核心场景：①正常缸体 ②不同长度划痕（0.1-5mm） ③不同大小砂眼（0.2-2mm） ④不同深度凹陷（0.1-1mm） ⑤油污覆盖的缺陷 ⑥边缘区域缺陷（易漏检）。

2.  2️⃣ 💻 采集工具与脚本：用Python+OpenCV控制相机采集，配合触发传感器实现“缸体到位→自动拍照→图片保存”全自动化，避免人工操作引入的角度偏差：

import cv2

import numpy as np

import time

from pypylon import pylon # 海康相机SDK

# 初始化相机

camera = pylon.InstantCamera(pylon.TlFactory.GetInstance().CreateFirstDevice())

camera.Open()

# 设置相机参数

camera.ExposureTime.SetValue(100000) # 快门时间100ms（单位：微秒）

camera.Gain.SetValue(0) # 增益0（避免噪点）

# 初始化触发传感器（通过串口通信）

ser = serial.Serial("COM3", 9600, timeout=1)

def capture_image(save_path):

"""触发传感器信号触发后，拍摄并保存图片"""

while True:

# 读取传感器信号（1为有物体，0为无）

sensor_signal = ser.readline().decode().strip()

if sensor_signal == "1":

# 拍摄图片

grab_result = camera.RetrieveResult(5000, pylon.TimeoutHandling_ThrowException)

if grab_result.GrabSucceeded():

# 转换为OpenCV格式

image = grab_result.Array

image = cv2.cvtColor(image, cv2.COLOR_BayerBG2BGR)

# 按“时间戳_缺陷类型”命名（便于后续标注）

timestamp = time.strftime("%Y%m%d%H%M%S", time.localtime())

image_name = f"{timestamp}_normal.jpg" # 正常件，缺陷件手动修改前缀

cv2.imwrite(os.path.join(save_path, image_name), image)

print(f"已保存图片：{image_name}")

grab_result.Release()

# 延迟1秒，避免重复触发

time.sleep(1)

# 调用采集函数（替换为你的保存路径）

capture_path = "/home/nvidia/inspection_data/capture"

os.makedirs(capture_path, exist_ok=True)

capture_image(capture_path)

3.  3️⃣ 🔍 数据筛选：剔除模糊、曝光过度/不足的图片，保留“缺陷清晰、背景干净”的有效数据，筛选后有效率需≥80%（低于此值需重新调试硬件参数）。

2. 📝 数据标注：标准化流程+工具使用技巧

工业质检标注的核心是“精准定位缺陷边界”，避免标注偏移导致模型学习错误特征。推荐用LabelImg（轻量、开源），标注格式选择YOLO（txt格式，便于模型训练）。

✅ 标注规范（必须落地执行）

● 缺陷分类：按“划痕（scratch）、砂眼（pinhole）、凹陷（dent）”三类标注，避免细分（如“长划痕”“短划痕”）导致样本分散。

● 边界框标注：边界框需紧贴缺陷边缘，框住整个缺陷区域，不允许超出缺陷或漏框（误差≤2个像素）。例：0.1mm划痕需放大图片至100%后标注。

● 标注审核：专人审核标注结果，随机抽检20%标注数据，错误率需≤3%（错误包括分类错误、边界框偏移）。

⚡ LabelImg使用技巧（提升3倍效率）

# 1. 安装LabelImg（Python环境）
pip install labelImg==1.8.6
 
# 2. 启动命令（指定图片路径和标注保存路径）
labelImg /home/nvidia/inspection_data/capture /home/nvidia/inspection_data/annotations
 
# 3. 快捷键高效标注
w: 新建边界框
d: 下一张图片
a: 上一张图片
ctrl+s: 保存标注
# 4. 格式设置：左侧“Save Format”选择“YOLO”，自动生成txt标注文件