[@portabletext/react] Unknown block type "span", specify a component for it in the `components.types` prop
什麼是緊固件與螺釘的自動化品質檢測
緊固件與螺釘AI缺陷檢測使用相機和AI模型,觀察從冷鐓機、滾絲機、熱處理爐和包裝產線出來的件,在不合格件到達OEM裝配線之前將其標記。系統替代檢查臺旁的操作員和僵化的規則式視覺,模型學習你產品組合的螺紋形狀、頭部幾何、塗層光澤與長度公差,並跨班次、機臺與材料批次保持一致的視覺檢查點。
緊固件在產線速度下尤其難以檢測,因為同一冷鐓機同一線材批次的件之間存在自然變異,鍍鋅螺釘的反射特徵會隨油膜厚度變化,而漏掉一隻斷牙或缺料螺釘會讓OEM在裝配機器人上跳停。圍繞單一型號構建的規則式視覺,在你切換到不同長度或不同頭部樣式的瞬間就會失效。AI主導檢測能夠處理這些變異,因為模型從真實生產幀學習,而不是依賴固定閾值。
其結果是一個自動化視覺檢查點,補充你的SPC抽樣與扭矩測試,並提供每件的影像檔案。當一級供應商六週後回頭查詢索賠時,你可以從那批生產的精確時間視窗拉出幀,要麼確認缺陷,要麼用證據反駁。
緊固件產線上我們捕捉的缺陷
螺紋斷牙與不完整螺紋
螺紋斷牙是滾絲模具磨損、滾絲壓力變化或線材直徑漂移引起的牙頂缺失或不完整螺紋。一隻斷牙螺釘會在OEM裝配中卡死,引發機器人停機或工人手動報廢。檢查臺操作員發現明顯的斷牙,但漏掉鍍鋅反光下的細微缺料。AI模型為每種型號保留合格螺紋特徵,標記任何越過缺料閾值的件。
頭部成型錯誤與凹陷
頭部缺陷涵蓋冷鐓工位填充不足、內六角凹陷不全、十字槽變淺、頭部邊緣塌陷,由冷鐓衝頭磨損或材料溫度漂移引起。一隻內六角凹陷不全的螺釘會讓裝配機器人的扭矩槍打滑,毀掉裝配節拍。操作員發現明顯的凹陷錯誤,但漏掉鍍層下的微小漂移。AI模型保留每種頭部樣式的合格幾何,標記任何呈現凹陷不全或邊緣塌陷的件。
長度與直徑偏差
幾何偏差包括長度過長或過短、杆徑漂移、頭部直徑偏差,由切斷刀磨損、模具腔擴孔或材料熱膨脹變化引起。長度偏差會讓螺釘在客戶機器人裝配中無法到位。操作員用卡尺抽樣,但漏掉抽樣之間的漂移。AI模型從基準幀學習合格幾何分佈,在包裝入口標記幾何漂移。
塗層不均與鍍層缺陷
塗層缺陷涵蓋鍍鋅斑駁、達克羅厚度漂移、磷化層不均、缺漆區域與流掛,由電鍍槽液濃度漂移、烘烤溫度漂移或浸塗速度變化引起。塗層不均的件會在客戶工廠引發腐蝕索賠。操作員對反光塗層肉眼檢測困難。AI模型為每種塗層型別保留合格的光澤特徵,標記任何呈現區域性缺漆、流掛或斑駁反射的件。
表面劃痕與裂紋
表面缺陷包括冷鐓時模具夾傷、運輸傳送帶刮痕與熱處理後的應力裂紋。可見裂紋會成為應力集中點,在客戶裝配扭矩下導致斷裂。操作員發現明顯的劃痕,但漏掉鍍層下的細裂紋。AI模型學習合格表面的視覺特徵,在包裝入口標記任何劃痕或裂紋。
混料與SKU錯配
混料缺陷涵蓋一種型號的件混入另一種SKU的箱子、長度規格交叉汙染、頭部樣式錯誤、塗層錯誤。混料件到達OEM裝配線會引發停產。操作員肉眼難以區分相鄰規格(如M6×20與M6×25)。AI模型對每種活動SKU保留合格的幾何與塗層簽名,標記任何呈現非活動SKU特徵的件。
緊固件產線上讓這一切運轉的照明配置:包裝入口上方的漫射頂光讀取頭部幾何與塗層光澤,滾絲出口的低角度環形光讀取螺紋缺陷與表面劃痕。配備微距鏡頭的iPhone Pro在每個關鍵控制點的單一檢測工位處理七個缺陷家族。我們將設備與振動料斗觸發器同步,使被標記的件觸發下游分流。我們會在上線時與你一起規劃光學方案。
Enao在緊固件產線上的運營方式
整套硬體設備成本低於1,000歐元,由翻新iPhone Pro、漫射頂光(可選用於螺紋檢測的低角度環形光)、USB-C資料線和夾在振動料斗、滾絲出口或包裝入口上的安裝臂組成。首次部署不需要PLC整合,設備裝在飛行箱裡,你設定時產線照常執行。
上線是自助式的。你的產線團隊安裝設備,開啟Enao應用,在下次型號切換時開始採集基準幀。第一天無需任何先驗標註即可返回80%精度,到第十四天模型在已見缺陷家族上的表現已超過人工檢測員,產線每次確認或拒絕標記件,模型都會改進。
每條產線教自己的模型識別其螺紋形狀、頭部幾何、塗層光澤與長度公差。當你在同一冷鐓機上切換到不同型號時,模型在一個班次內適應。當你為相似產品系列上線第二條產線時,第二個模型從第一個模型的經驗出發,邊際成本急劇下降。
不合格件停止到達包裝機,廢料在檢測點而非QC辦公室記錄,你的操作員獲得他們仍需要做的工作所需的注意時間,包括冷鐓衝頭維護、滾絲模具調整與一級供應商索賠分析。
Enao與人工檢測、傳統機器視覺對比
對緊固件與螺釘製造商而言,對比在五個維度上更加清晰。
緊固件產線上的設定時間。 — 人工目檢:每位操作員數小時培訓,加上持續的人工成本。傳統機器視覺(Cognex、Keyence、Omron、ISRA):三到九個月的整合,加上每種型號的規則集。Enao:由你自己的團隊在一週內部署到翻新iPhone上,第一天達到80%精度。
每條產線的硬體成本。 — 人工目檢:無前期投入,持續人工成本。傳統機器視覺:每條產線4萬至20萬歐元,用於工業相機、結構化照明與整合。Enao:每條產線低於1,000歐元,使用翻新iPhone Pro、燈具與支架。
應對新型號、新塗層與新材料批次。 — 人工目檢:每個新型號重新培訓操作員。傳統機器視覺:每個型號重寫規則集,通常外包給整合商。Enao:在一個班次內對新型號與新塗層重新教導模型,無程式碼需要修改。
對細微螺紋缺陷與鍍層漂移的檢測精度。 — 人工目檢:班次開始時高,三小時後明顯下降。傳統機器視覺:在尺寸檢查上穩定,在鍍鋅反光下的細螺紋缺陷與鍍層斑駁檢測上薄弱。Enao:從基準幀學習螺紋與塗層特徵,跨班次跨生產保持精度。
由誰來執行。 — 人工目檢:檢查臺旁經過培訓的操作員。傳統機器視覺:系統整合商或專門的視覺工程師。Enao:你的產線團隊,無需外部專家。
OEM與一級供應商因裝配機器人停機與召回的成本而更換供應商,而一次螺釘斷牙引起的產線停機成本遠高於一套基於iPhone的檢測設備。Enao就是為這個差距而生的。
