什么是面向水暖与卫浴洁具生产的自动化质量检测?
面向水暖与卫浴洁具的 AI 缺陷检测,使用一台相机和一个视觉模型,在每一只洁具离开抛光工位、电镀槽、上釉房、试压台和包装工位时盯住它,并在不合格件抵达批发商之前把它们标记出来。你不再依赖检验台上的操作工,也不再依赖刚性的规则化机器视觉,AI 模型学习你这套 SKU 组合的铸件几何、表面工艺目标、釉面颜色和密封件几何,并在不同班次、不同线速以及不同表面工艺切换之间,提供一致的视觉检测节点。
水暖件与卫浴洁具在线检测之所以特别难做,是因为黄铜铸件抛光后的反射和镀铬之后的反射并不一样;哑光黑 PVD 工艺在铸造车间灯光下的读数,和一只清洁的深色铸件几乎一样;那个会毁掉一只面盆的釉面针孔,在疲劳的眼睛看来跟一颗过喷颗粒别无二致。围绕单一洁具反射率写出来的规则化视觉,在你换表面工艺、换面盆形状或者换批次的那一刻就会失效,这也是为什么大多数人在网上搜「水暖 AI 缺陷检测」时,返回的都是下水道相机内容,而不是线边 QC 内容。这一类目其实严重供给不足,而基于 iPhone 的部署正好补上这道缺口。
我们在水暖与卫浴洁具生产线上能抓到的缺陷
镀铬与 PVD 镀层覆盖
镀层覆盖类缺陷指的是薄点、流挂以及光泽不均,由整流器电流漂移、阳极间距磨损,或 PVD 腔体压力波动引起。薄点和边缘漏镀会让批发商的样件直接报废,并触发整托盘退货。操作工在挂架上检查抛光与电镀,但没办法在统一灯光下盯住每一只洁具,所以临界件会从检验台溜过去。AI 模型学习每一种 SKU 在合格状态下的表面工艺,一旦局部反射率越过你设定的容差就立即标记,并保留对应帧供你在整批洁具走出规格之前调整整流器或重新平衡挂架。
陶瓷釉面针孔与缩釉
面盆、坐便器和淋浴底盘上的釉面缺陷包括针孔、缩釉、起泡和光泽不均,由釉浆喷涂粘度、窑温漂移或基体清洁度异常引起。盆腔内部的针孔会在样板间被发现,触发消费者投诉。人工操作工抓得住明显的凹坑,但会漏掉那些通过喷房、要等到安装现场灯光下才显形的针孔。AI 模型为每一种 SKU 保留合格釉面的视觉特征,一旦局部图案偏离规格,就标记针孔、缩釉与起泡区域。
阀体铸件气孔
黄铜与锌合金阀体的铸件气孔类缺陷包括缩孔、表面气泡和夹杂物,由铸造浇注温度漂移、模具排气槽磨损,或合金批次容差引起。螺纹端口附近的气孔会让阀件在工地上的试压不通过,触发保修退货。操作工抽检阀体时只能看到断面,会漏掉那种要到机加工之后才暴露出来的气孔。AI 模型学习合格铸件的视觉特征,在机加工后的检验位上标记缩孔、气泡与夹杂物,并保留对应帧供你在整批阀件出货前调整浇注温度或检修模具排气。
密封件与 O 型圈就位
就位类缺陷指的是阀芯、水龙头和淋浴软管上缺失、扭曲或卡夹住的 O 型圈,由送料碗对位偏移、密封件批次容差,或操作工装配漂移引起。缺失或扭曲的 O 型圈会让试压台直接判废,并在安装侧触发首次试压失效。这类缺陷会拖垮保修曲线,并把上门维修费用变成长期支出。AI 模型在单帧画面里就能识别合格 O 型圈的视觉特征,在装配工位上、在试压台看到这只洁具之前,就把缺失、扭曲或卡夹住的 O 型圈标记出来。
螺纹接口几何
水龙头活接、软管接头和给水管上的螺纹缺陷包括螺距错误、错牙起始端、导入端毛刺,以及螺纹长度偏短或偏长,由刀具磨损、夹具漂移,或合金批次容差引起。错牙的接口会让安装工的第一次拧入失败,触发批发商一侧的整盒退货。人工操作工在检验台上检查螺纹咬合,但会漏掉那种通过塞规、却会在安装侧损坏对方接头的毛刺。AI 模型学习每一种 SKU 的合格螺纹轮廓,在机加工后的检验位上标记螺距、导入端和长度偏差。
表面划痕与抛光痕
表面缺陷包括轻微划痕、抛光轮印迹以及刀具拖痕,由抛光带磨损、垫块压力漂移,或夹具对位偏移引起。最严重的几种正好坐在出水口可见面上,通过检验台之后,在样板间灯光下败下阵来。操作工看得见明显的擦伤,但会漏掉那种通过抛光工位、要在展厅灯光下才显形的轻微擦痕。AI 模型学习合格表面工艺,在抛光工位出口标记划痕、拖痕与抛光残留,让产线在整批洁具出货前更换抛光带或调整垫块。
在水暖与卫浴洁具产线上让这件事跑起来的灯光配置是:在抛光工位和电镀挂架上方加一盏带交叉偏振滤光的漫射顶灯,用来读表面工艺;再在上釉房和试压工位上方加一盏低角度聚光灯,用来读针孔和密封件就位。一台带微距和广角镜头的 iPhone Pro,可以在每一个关键控制点上,用单一的检测工位覆盖这七类缺陷家族。我们把检测台架与传送带编码器同步,这样被标记的洁具就能驱动下游的分流或暂存动作。光学规格我们会在交付期间和你一起定。
Enao 在水暖与卫浴洁具生产线上的运行方式
整套硬件成本不到 1,000 欧元,组成包括:一台翻新 iPhone Pro、一盏带可选交叉偏振滤光的漫射顶灯,以及一盏用于上釉与密封件检测的低角度聚光灯,再加一根 USB-C 数据线,以及一只可以夹装在抛光工位、电镀挂架、上釉房、试压台或包装工位上方的支架。首次部署不需要 PLC 集成,整套台架装得进一只航空箱,你布置这套设备时产线可以照常运行。
上线流程是自助式的。你的产线团队装好支架,打开 Enao app,在下一次换型时开始采集参考帧。第一天就能在没有任何先验标注的情况下达到 80% 的精度,到第十四天,模型在它见过的缺陷家族上,已经跑得比人工检验员更稳;每一只产线确认或否决的标记件,都会让模型再进一步。
每一条线教会自己的模型这条线的铸件几何、表面工艺目标和釉面颜色长什么样。当你在同一条线上换到不同的表面工艺或不同的面盆形状时,模型在一个班次内就能自适应。当你把一条姊妹线开起来去做相似的产品系列时,第二个模型从第一个模型的经验起步,边际投入会大幅下降。
走出规格的洁具不再抵达包装工位,报废件在检测点而不是在 QC 办公室登记入册,你的操作工拿回那些本来就需要人来做的工作时间,包括抛光治具调试、电镀挂架卸件,以及保修退货分析。
Enao 与人工检测和传统机器视觉的对比
对水暖与卫浴洁具生产商来说,对比集中在五个维度上。
卫浴洁具产线上的部署时间。 — 人工目检:每个操作工要花几个小时培训,之后是持续的人工成本。传统机器视觉:与系统集成商一起做三到九个月的集成,外加每一种洁具与表面工艺都要写一套规则。Enao:由你自己的团队一周内部署到位,第一天就能跑出 80% 的精度。
每条线的硬件成本。 — 人工目检:前期不投入,持续付人工成本。传统机器视觉:每条线 4 万到 20 万欧元,用于工业相机、结构光照明和系统集成。Enao:每条线硬件不到 1,000 欧元,一台翻新 iPhone Pro、一盏灯加一只支架。
应对新表面工艺、新面盆与新釉面颜色的能力。 — 人工目检:每出一种新 SKU,操作工就要重新培训。传统机器视觉:每换一种表面工艺就要重写规则,通常外包给集成商。Enao:一个班次内就能在新洁具、新表面工艺与新釉面上重新教会模型,不用碰一行代码。
在细微镀层漂移和釉面针孔上的检测精度。 — 人工目检:班次开始时表现高,三小时之后能测得出明显下滑。传统机器视觉:在尺寸检查上很强,在细微镀层漂移和釉面针孔检测上偏弱。Enao:从参考帧学习表面工艺、釉面与密封件的视觉特征,在不同班次、不同批次之间保持精度稳定。
由谁来运行。 — 人工目检:经过培训的操作工坐在检验台上。传统机器视觉:系统集成商或专门的视觉工程师。Enao:你的产线团队,不需要外部专家。
批发商和经销商会因为一托盘退货的成本而换供应商,扣款或一次悄悄的规格替换的成本,远高于一套基于 iPhone 的检测台架的成本。Enao 就是为这道缺口而生的。