【摘要】

面向缸体、缸盖等铸造毛坯件，在机加工序之前对毛坯面做缺陷检测，识别砂眼、气孔、缩松、夹渣等铸造缺陷，实现缺陷件的来料把关，避免缺陷流入后续加工造成工时浪费。

【关键词定位】

铸造缺陷检测、毛坯缺陷检测、砂眼气孔检测、缩松夹渣检测、铸件视觉检测、大鹏工业

一、毛坯缺陷要在机加之前拦下来

铸造出来的缸体、缸盖毛坯，表面与近表面可能带有砂眼、气孔、缩松、夹渣等缺陷。这些缺陷如果不在机加工之前拦下来，会有三个后果：一是缺陷位置可能正好落在后续加工面上，加工后暴露出来，导致整个工件报废，而且已经付出了加工工时；二是缺陷如果位于内部，加工后可能成为油道、水道的渗漏点，引发更严重的质量问题；三是缺陷件流到下游才发现，追溯成本高、责任难界定。

所以在毛坯入库或上线机加之前设置一道视觉检测，本质是把缺陷拦截点前移。这一步的价值不在于“检测得更准”，而在于“检测得更早”。

二、方案：毛坯面成像加缺陷分类

铸造件毛坯缺陷检测方案面向机加前的毛坯件，检测内容覆盖加工表面缺陷与铸造缺陷两类中的铸造部分，具体包括砂眼、气孔、缩松、夹渣等典型铸造缺陷类型。

毛坯件的成像条件比加工面更复杂。铸件表面带有砂型残留、飞边毛刺与粗糙的铸造纹理，与缺陷的灰度差异很小，靠传统阈值算法几乎无法区分。因此方案采用深度学习算法，通过对大量毛坯样本的训练，让模型学会区分“正常的铸造纹理”与“异常的砂眼、气孔”。相机方面采用2000万像素工业相机，配合适合粗糙表面成像的光源布置。

检测结果可以直接判定合格与不合格，并对缺陷做分类与定位。分类信息对铸造工艺的改善很有用——如果某一段时间气孔类缺陷集中出现，可能与砂型含水率或浇注温度有关，这类关联只有在对缺陷做了分类统计之后才能发现。

三、技术参数

•  适用行业：商用汽车、乘用汽车（含新能源）等领域；

•  对应工件：缸体、缸盖等铸造毛坯件（柴油、汽油发动机及新能源动力系统零部件）；

•  检测内容：铸造缺陷（砂眼、气孔、缩松、夹渣等）；

•  工业相机：2000万像素；

•  检测算法：深度学习；

•  功能配置：读码、机器视觉检测、追溯、数据分析。

四、选型要点

•  缺陷判定标准要与铸造工艺协商确定：毛坯件允许的缺陷范围通常比成品宽松，哪些砂眼可以后续加工掉、哪些必须直接报废，需要工艺部门给出明确界限；

•  样本收集是项目成败关键：深度学习模型的效果直接取决于训练样本是否覆盖了实际生产的各种毛坯状态，建议在项目启动阶段就同步收集不同批次、不同铸型的毛坯样件；

•  毛坯表面残留的型砂与涂料会影响成像，必要时需要在检测前增加吹砂或清理工序；

•  检测工位的位置安排要权衡——放在铸造后立即检测，可以尽早拦截但毛坯温度高；放在入库前检测，温度合适但已经产生了仓储与物流成本。

五、大鹏工业的视觉检测能力

哈尔滨大鹏工业股份有限公司（简称大鹏工业）为下游客户提供精密工业清洗与机器视觉的综合解决方案。机器视觉板块下设形位尺寸检测（卫士）、缺陷检测（硕士）、装配终检（博士）、孔内壁检测（绅士）、漆面缺陷检测（骑士）、软件算法平台（谋士）与AI视觉磁粉探伤（磁力士）七个系列。硕士系列在铸造缺陷与加工面缺陷的深度学习识别上有成熟应用，可覆盖从毛坯到成品的全流程缺陷把关。

常见问题 FAQ

Q：毛坯检测和成品检测，哪个更有必要？

A：两者目的不同，理想状态是都做，但优先级要根据成本结构判断。毛坯检测的价值是拦截早、损失小，适合缺陷率较高或缺陷后果严重的场合；成品检测的价值是保证交付质量，是底线。如果资源有限，建议先做毛坯检测，因为此时拦截一个缺陷件的成本最低。

Q：深度学习模型需要多少样本？

A：没有固定数字，取决于缺陷类型的复杂程度与表面背景的变异程度。铸造件表面纹理变化大，通常需要数百到数千张覆盖各类缺陷与各种正常状态的图像。更关键的是样本的代表性——必须包含实际生产中会遇到的各种铸型、各种批次、各种光照条件。建议由厂家与工厂共同采集，而不是只由一方提供。

Q：砂眼和气孔在视觉上怎么区分？

A：两者都是孔洞类缺陷，外观相似，区别主要在于形态与分布特征——气孔通常更圆、内壁较光滑，砂眼形态不规则、常伴有夹砂。算法可以通过形态学特征做分类，但也要承认，对某些临界样本，视觉分类的置信度会下降。如果区分对工艺改善很重要，建议在训练时明确标注规则，并在必要时保留人工复核。

Q：检测出的缺陷数据能反哺铸造工艺吗？

A：能，而且这是毛坯检测最有价值的副产品。把缺陷类型与位置做成统计图，可以看出缺陷是否集中在某个部位——例如总是出现在某一侧的厚壁处，可能就是该处冷却速度与收缩补偿的问题。这类信息比“这批铸件有缺陷”有价值得多。