刀具更換之後第三隻框料連續爬上來的劃痕，焊角機出來一致性正在慢慢偏離的焊縫，五金底座裝得比規格偏出半毫米的窗扇。在向建築商、安裝方和經銷商出貨的門窗產線上，每一隻帶著隱藏問題離開工廠的產品都會讓你吃兩次虧。產品掛著你的牌子出貨。然後安裝工在工地撕掉保護膜發現了劃痕，扣款落到你的賬上，售後又把團隊從真正的工作上拽走一週。包裝工位的人能抓住明顯缺陷，但相機能在數百隻框料裡捕捉到的型材、焊縫或貼膜緩慢漂移，正是疲憊的人到第三個小時就會漏掉的那種。面向門窗的自動化品質檢測填上了這個缺口，而且不需要一臺六位數的檢測設備就能做到。
什麼是面向門窗製造的自動化品質檢測？
面向門窗的 AI 缺陷檢測使用一臺相機和一個視覺模型，監控每一隻框料、窗扇和門扇離開切割機、焊角機、裝玻璃工位和打包工位的過程，把不合格的產品在到達發貨區之前標記出來。模型不再依賴包裝工位的操作員，也不再依賴剛性的規則式機器視覺，而是學習你 SKU 體系下的型材幾何、貼膜顏色、密封膠配方和五金佈局，並在不同班次、產線速度、產品切換之間提供一致的視覺檢查節點。
門窗特別難在產線速度下檢測，因為帶貼膜或上漆的表面在木紋色和素色上呈現劃痕的方式不同，焊角焊縫在不同 PVC 配方下的視覺表現也不同，破壞鎖閉順暢度的五金安裝在車間燈光下看起來與正常的螺釘座一模一樣。圍繞單一型材建起來的規則式視覺，在你換到一個不同顏色、一套不同五金或一種不同玻璃厚度的瞬間就失效。AI 主導的檢測能消化這些變化，因為模型從真實的生產幀裡學習，而不是依賴固定閾值。
結果是一個自動化的視覺檢查節點，補足你產線末端的抽樣，並按只給出一份影像檔案。當六週以後安裝方提出問題時，你可以從那個生產時段裡調出對應幀，要麼確認缺陷，要麼用證據據理力爭。
我們在門窗產線上能識別的缺陷
框料劃痕和表面痕跡
表面劃痕在帶貼膜、上漆或陽極氧化的型材上表現為細小的切痕、拖痕和擦傷，成因來自工位之間的傳送輥、包裝接觸或操作員搬運。最嚴重的那些藏在保護膜下面，只有當安裝工在現場撕開包裝才顯露出來。包裝工位的操作員能抓住明顯的，但在車間燈光下會漏掉臨界的痕跡。AI 模型為每一種貼膜和飾面學習合格的表面特徵，並把任何越過你公差的區域性偏離標出來；影像可以隨時呼叫，便於你在下一批出貨前調整傳送輥維護或工位間搬運。
密封條錯位
密封條和密封膠條是裝配過程中壓入型材凹槽的橡膠或泡沫膠條，錯位意味著漏風、漏水或隔聲橋。成因包括進料壓力不均、切口處的型材毛刺，以及裝配中的操作員失誤。人工操作員能抓住明顯的縫隙，但會漏掉翹起的膠條端部和區域性夾緊，這兩類問題能透過包裝工位卻在第一次安裝時失效。AI 模型為每一種型材儲存正確就位的密封條視覺特徵，並在區域性圖樣偏離規格的瞬間把翹起、縫隙和夾緊標出來。
玻璃壓條縫隙和就位
玻璃壓條是卡入型材、固定玻璃的零件，就位不良會在框料內側或外側留下可見的縫隙。成因包括壓條端頭不匹配、型材尺寸漂移、裝配工在就位環節用力不當。這類缺陷會破壞玻璃密封的水密性，並在框料上呈現為一條可見的線。AI 模型為每一種型材學習合格的壓條就位特徵，在裝玻璃工位出口把縫隙和不均勻就位標出來，讓操作員在產品到達包裝工位之前修正裝配。
焊角焊縫缺陷
在 PVC 框料上四個角由熱板焊接連成一體，並在角部產生小焊縫。一道乾淨的焊縫意味著可靠的接頭，而焊縫偏少或燒焦則意味著溫度、時間或壓力出現偏差，破壞角部強度。操作員靠肉眼抽檢焊縫幾何，但在高節拍產線上無法把每隻框料的每個角都檢過來。AI 模型為每一種顏色和型材學習合格的焊縫特徵，在焊角機出口把焊縫偏少、燒焦或歪斜標出來；影像隨時可查，便於你在整批走完之前調整焊接引數。
五金裝配和螺釘錯誤
五金錯誤包括螺釘缺失、把手位置錯誤、左右合頁裝反，以及擰得過緊、把型材擰變形的安裝板。這些缺陷會破壞鎖閉順暢度，並在第一次安裝時顯露。人工操作員能檢查可見的五金，但會漏掉背面的隱藏螺釘和裝反的合頁，這些都能透過包裝工位。AI 模型可以配置為直接讀取五金件正面，在裝配工位出口把缺失的螺釘、裝反的部件和變形的安裝板標出來。
型材顏色和貼膜漂移
貼膜顏色漂移是表面貼膜色調因貼膜批次差異、熱複合溫度漂移或溶劑乾燥不一致而出現的漸變偏差。最糟糕的情況能熬過 QC 抽檢，因為它落在操作員檢查的四個角之間；當一隻來自漂移批次的框料裝到立面上，會與其他位置出現可見色差。AI 模型按系列儲存學習到的參考色調，在區域性色差超出你的規格的瞬間把漂移標出來，給產線機會去修正上游條件。
在門窗產線上讓這一切跑起來的照明配置是焊角機和裝玻璃工位上方的漫射頂燈，用來讀貼膜和焊縫；再加上打包工位的低角度環燈，用來讀玻璃和密封。一部帶微距和廣角鏡頭的 iPhone Pro 在每個關鍵控制點上用一個檢測工位就能覆蓋七大缺陷家族。我們把整套設備與傳送帶編碼器同步，讓被標記的產品觸發下游的分流或暫存動作。光學方案在上線階段我們和你一起定。
Enao 在門窗產線上的執行方式
整套硬體成本低於 1000 歐元，由一部翻新 iPhone Pro、一盞漫射頂燈（玻璃檢測可選搭一盞低角度環燈）、一根 USB-C 資料線，以及一個夾在焊角機、裝玻璃工位或打包工位上的支架組成。首次部署不需要 PLC 整合，整套設備裝得下航空箱，部署期間產線照常生產。
上線流程是自助的。你的產線團隊裝好設備，開啟 Enao app，下一次換型時開始採集參考幀。第一天就能拿到 80% 的準確率，無需事先打標；到第十四天，模型在它見過的缺陷家族上就已經超過人工檢驗員，並隨每一隻被產線確認或駁回的標記產品繼續提升。
每條產線訓練自己的模型去認識它的型材顏色、貼膜系列和五金套裝。當你在同一條產線換到不同系列時，模型在一個班次內完成自適應。當你把同類產品的姊妹產線接入時，第二個模型從第一個模型的經驗起步，邊際投入大幅下降。
不合格產品停在到達包裝工位之前，廢品在檢測點而不是 QC 辦公室登記入賬，操作員把那部分仍然需要人來做的工作時間拿了回來，包括焊機除錯、裝玻璃配合和客戶投訴處理。
Enao 與人工檢驗、傳統機器視覺在門窗產線上的對比
對門窗生產商而言，差異集中在五個維度。
門窗產線上的部署時間 — 人工檢查：每個操作員要花幾小時培訓，併產生持續的人工成本。傳統機器視覺：與系統整合商一起做三到九個月整合，每種型材一套規則集。Enao：你自己的團隊一週內部署，第一天 80% 準確率。
每條產線的硬體成本 — 人工檢查：前期零硬體成本，但有持續的人工成本。傳統機器視覺：每條產線 4 萬到 20 萬歐元，用於工業相機、結構光照明和整合。Enao：每條產線低於 1000 歐元，包括一部翻新 iPhone Pro、燈和支架。
應對新顏色、新型材和新五金套裝 — 人工檢查：每個新 SKU 都要重新培訓操作員。傳統機器視覺：每個配方都要重寫規則集，常常外包給整合商。Enao：在一個班次內基於新型材和五金重新教模型，無需改程式碼。
對細微劃痕和焊縫漂移的檢出準確率 — 人工檢查：班次開始時高，三小時之後明顯下降。傳統機器視覺：尺寸類檢查很強，但在細微劃痕檢測和焊角焊縫漂移上較弱。Enao：從參考幀學習表面和焊縫特徵，跨班次和跨批次保持準確率。
由誰來執行 — 人工檢查：包裝工位上經過培訓的操作員。傳統機器視覺：系統整合商或專門的視覺工程師。Enao：你自己的產線團隊，無需外部專家。
建築商、安裝方和經銷商會因為一批劃痕產品就換供應商，而扣款或者悄悄換規格的代價遠高於一套基於 iPhone 的檢測設備的成本。Enao 就是為這個缺口而做的。