什么是面向门窗制造的自动化质量检测？
面向门窗的 AI 缺陷检测使用一台相机和一个视觉模型，监控每一只框料、窗扇和门扇离开切割机、焊角机、装玻璃工位和打包工位的过程，把不合格的产品在到达发货区之前标记出来。模型不再依赖包装工位的操作员，也不再依赖刚性的规则式机器视觉，而是学习你 SKU 体系下的型材几何、贴膜颜色、密封胶配方和五金布局，并在不同班次、产线速度、产品切换之间提供一致的视觉检查节点。
门窗特别难在产线速度下检测，因为带贴膜或上漆的表面在木纹色和素色上呈现划痕的方式不同，焊角焊缝在不同 PVC 配方下的视觉表现也不同，破坏锁闭顺畅度的五金安装在车间灯光下看起来与正常的螺钉座一模一样。围绕单一型材建起来的规则式视觉，在你换到一个不同颜色、一套不同五金或一种不同玻璃厚度的瞬间就失效。AI 主导的检测能消化这些变化，因为模型从真实的生产帧里学习，而不是依赖固定阈值。
结果是一个自动化的视觉检查节点，补足你产线末端的抽样，并按只给出一份图像档案。当六周以后安装方提出问题时，你可以从那个生产时段里调出对应帧，要么确认缺陷，要么用证据据理力争。
我们在门窗产线上能识别的缺陷
框料划痕和表面痕迹
表面划痕在带贴膜、上漆或阳极氧化的型材上表现为细小的切痕、拖痕和擦伤，成因来自工位之间的传送辊、包装接触或操作员搬运。最严重的那些藏在保护膜下面，只有当安装工在现场撕开包装才显露出来。包装工位的操作员能抓住明显的，但在车间灯光下会漏掉临界的痕迹。AI 模型为每一种贴膜和饰面学习合格的表面特征，并把任何越过你公差的局部偏离标出来；图像可以随时调用，便于你在下一批出货前调整传送辊维护或工位间搬运。
密封条错位
密封条和密封胶条是装配过程中压入型材凹槽的橡胶或泡沫胶条，错位意味着漏风、漏水或隔声桥。成因包括进料压力不均、切口处的型材毛刺，以及装配中的操作员失误。人工操作员能抓住明显的缝隙，但会漏掉翘起的胶条端部和局部夹紧，这两类问题能通过包装工位却在第一次安装时失效。AI 模型为每一种型材保存正确就位的密封条视觉特征，并在局部图样偏离规格的瞬间把翘起、缝隙和夹紧标出来。
玻璃压条缝隙和就位
玻璃压条是卡入型材、固定玻璃的零件，就位不良会在框料内侧或外侧留下可见的缝隙。成因包括压条端头不匹配、型材尺寸漂移、装配工在就位环节用力不当。这类缺陷会破坏玻璃密封的水密性，并在框料上呈现为一条可见的线。AI 模型为每一种型材学习合格的压条就位特征，在装玻璃工位出口把缝隙和不均匀就位标出来，让操作员在产品到达包装工位之前修正装配。
焊角焊缝缺陷
在 PVC 框料上四个角由热板焊接连成一体，并在角部产生小焊缝。一道干净的焊缝意味着可靠的接头，而焊缝偏少或烧焦则意味着温度、时间或压力出现偏差，破坏角部强度。操作员靠肉眼抽检焊缝几何，但在高节拍产线上无法把每只框料的每个角都检过来。AI 模型为每一种颜色和型材学习合格的焊缝特征，在焊角机出口把焊缝偏少、烧焦或歪斜标出来；图像随时可查，便于你在整批走完之前调整焊接参数。
五金装配和螺钉错误
五金错误包括螺钉缺失、把手位置错误、左右合页装反，以及拧得过紧、把型材拧变形的安装板。这些缺陷会破坏锁闭顺畅度，并在第一次安装时显露。人工操作员能检查可见的五金，但会漏掉背面的隐藏螺钉和装反的合页，这些都能通过包装工位。AI 模型可以配置为直接读取五金件正面，在装配工位出口把缺失的螺钉、装反的部件和变形的安装板标出来。
型材颜色和贴膜漂移
贴膜颜色漂移是表面贴膜色调因贴膜批次差异、热复合温度漂移或溶剂干燥不一致而出现的渐变偏差。最糟糕的情况能熬过 QC 抽检，因为它落在操作员检查的四个角之间；当一只来自漂移批次的框料装到立面上，会与其他位置出现可见色差。AI 模型按系列保存学习到的参考色调，在局部色差超出你的规格的瞬间把漂移标出来，给产线机会去修正上游条件。
在门窗产线上让这一切跑起来的照明配置是焊角机和装玻璃工位上方的漫射顶灯，用来读贴膜和焊缝；再加上打包工位的低角度环灯，用来读玻璃和密封。一部带微距和广角镜头的 iPhone Pro 在每个关键控制点上用一个检测工位就能覆盖七大缺陷家族。我们把整套设备与传送带编码器同步，让被标记的产品触发下游的分流或暂存动作。光学方案在上线阶段我们和你一起定。
Enao 在门窗产线上的运行方式
整套硬件成本低于 1000 欧元，由一部翻新 iPhone Pro、一盏漫射顶灯（玻璃检测可选搭一盏低角度环灯）、一根 USB-C 数据线，以及一个夹在焊角机、装玻璃工位或打包工位上的支架组成。首次部署不需要 PLC 集成，整套设备装得下航空箱，部署期间产线照常生产。
上线流程是自助的。你的产线团队装好设备，打开 Enao app，下一次换型时开始采集参考帧。第一天就能拿到 80% 的准确率，无需事先打标；到第十四天，模型在它见过的缺陷家族上就已经超过人工检验员，并随每一只被产线确认或驳回的标记产品继续提升。
每条产线训练自己的模型去认识它的型材颜色、贴膜系列和五金套装。当你在同一条产线换到不同系列时，模型在一个班次内完成自适应。当你把同类产品的姊妹产线接入时，第二个模型从第一个模型的经验起步，边际投入大幅下降。
不合格产品停在到达包装工位之前，废品在检测点而不是 QC 办公室登记入账，操作员把那部分仍然需要人来做的工作时间拿了回来，包括焊机调试、装玻璃配合和客户投诉处理。
Enao 与人工检验、传统机器视觉在门窗产线上的对比
对门窗生产商而言，差异集中在五个维度。
门窗产线上的部署时间 — 人工检查：每个操作员要花几小时培训，并产生持续的人工成本。传统机器视觉：与系统集成商一起做三到九个月集成，每种型材一套规则集。Enao：你自己的团队一周内部署，第一天 80% 准确率。
每条产线的硬件成本 — 人工检查：前期零硬件成本，但有持续的人工成本。传统机器视觉：每条产线 4 万到 20 万欧元，用于工业相机、结构光照明和集成。Enao：每条产线低于 1000 欧元，包括一部翻新 iPhone Pro、灯和支架。
应对新颜色、新型材和新五金套装 — 人工检查：每个新 SKU 都要重新培训操作员。传统机器视觉：每个配方都要重写规则集，常常外包给集成商。Enao：在一个班次内基于新型材和五金重新教模型，无需改代码。
对细微划痕和焊缝漂移的检出准确率 — 人工检查：班次开始时高，三小时之后明显下降。传统机器视觉：尺寸类检查很强，但在细微划痕检测和焊角焊缝漂移上较弱。Enao：从参考帧学习表面和焊缝特征，跨班次和跨批次保持准确率。
由谁来运行 — 人工检查：包装工位上经过培训的操作员。传统机器视觉：系统集成商或专门的视觉工程师。Enao：你自己的产线团队，无需外部专家。
建筑商、安装方和经销商会因为一批划痕产品就换供应商，而扣款或者悄悄换规格的代价远高于一套基于 iPhone 的检测设备的成本。Enao 就是为这个缺口而做的。