硅胶包胶件的 AI 视觉检测：打光、样本与判据怎么定

硅胶包胶件的外观检测长期靠人：灯下转一圈，看缺胶、看溢胶、看气泡。问题不是工人不认真，而是这类件软、半透明、哑光面又容易反光，同一件在不同角度下样子都不一样；再加上二十几秒一件的节拍，判定标准会随疲劳漂移。

AI 视觉检测这两年在硅胶件上真正落地的部分，不是"万能检测"，而是把缺陷拆开：哪些能用成像解决，哪些只能靠结构设计与工艺去防。这篇讲硅胶视觉检测绕不开的三件事——缺陷怎么分档、打光怎么定、判据与样本怎么建，最后给一条能照着走的落地顺序。

一、先把缺陷分成三档

相机不解决定义问题。做硅胶视觉检测前先把缺陷列清楚，按"能不能被看见"分成三档，比先挑算法有用得多。

这张表最大的用处是砍需求：把第三档从"视觉项目"里划掉，验收指标才不会写成"零缺陷"。而第二档要先有判据文件，否则同一批件两个人能标出两个结果。

二、打光决定上限

硅胶件难拍在三点：半透明会让光透过去，哑光面在斜射下会发亮，软材质在治具上会被压变形。算法再好，打光不对也救不回来。硅胶视觉检测的成像方案，八成在打光这一步就定了。

• 背光：轮廓类缺陷的首选，缺胶、通孔堵、毛边外扩都看得清，顺带解决定位。
• 低角度暗场：凸起、凹坑与分型线错位，表面纹理的轻微起伏在这里最明显。
• 同轴光：平面细划痕与浅压痕，只有正反射才看得见。
• 偏振片加漫射穹顶：压掉表面高光，半透明件配背光时尤其必要。

做法上别急着买设备：先在产线取三五十件（含良品与已知不良），用手机或工业相机在几种光位下各拍一轮，选出能稳定复现缺陷的那一种，再谈相机分辨率与镜头。这一步花的是一天时间，省的是后面三个月的返工。

三、样本与标注：良品永远比缺陷多

硅胶视觉检测的缺陷样本不足，是项目最现实的约束。三条路可以并行：从历史客诉与返修品里找、按缺陷机理做人工缺陷样件、用良品图做合成。合成样本只能扩充训练集，验证集必须是真实件——否则模型在真件上的表现没有参考价值。

标注一致性比数量更关键。同一条划痕，两个人标出来的边界可能差一倍。先写一份判据文件（多长、多深、在哪个面算不合格），让标注与终检用同一份；边界样本单独留一组，专门验证模型在"差一点就超差"时的判断。采图时要把穴号、班次与材料批号一起记下来，否则后面分不清是模具问题还是来料问题。

四、节拍、定位与追溯

硅胶件是软的，上料时容易被压扁或翻转，硅胶视觉检测的定位不能只靠模板匹配。常见做法是治具定型加背光取轮廓，让每个件的姿态一致；多穴模具还要按穴号分区，出问题能回到具体型腔。

节拍上，一件多工位比一台相机拍全部更稳：顶面、侧面、端子面分开拍，单工位曝光时间短，运动模糊少。剔除机构要与产线节拍对齐，否则判了不良也来不及吹掉。检测结果写进批次记录，和模号、穴号、班次、材料批号放在一起，追溯才成立。

五、误判经济学：漏检与过杀

硅胶视觉检测没有"零误判"。阈值收紧，漏检少、过杀多；放松则相反。过杀的代价是复检人力与产线停顿，漏检的代价是客诉与返工，两者不在一个量级，但要一起算。

可操作的做法是：用一批已知结果的真件跑出漏检率与过杀率曲线，再按验收口径（AQL 或双方约定的缺陷率）选工作点，把过杀率控制到复检工位吃得下。上线后每月回溯一次误判样本，把新的边界样本补进验证集；模型漂移不是故障，而是常态。

六、落地顺序

1. 列缺陷清单并分三档，明确哪些不进视觉项目；
2. 用真实件做打光试验，定成像方案与工位数量；
3. 采三百到五百件，覆盖各穴号与班次，标注出边界样本；
4. 离线跑漏检与过杀曲线，与质量部门一起定阈值；
5. 小批量上线，保留人工复检通道，按月回溯。

结论

硅胶视觉检测的成败，多数不在算法，而在缺陷定义、打光与判据这三步。把"看得见的缺陷"交给设备，把"看不见的"交给结构设计与抽检，检测才真的省钱。反过来，一上来就追"全缺陷自动判"，最后往往得到一个过杀率高到没人愿意用的系统。

站内延伸：拉拔、剖切与老化验证见研发检测，分型面与排气结构见模具成型，缺陷与工艺参数的对应关系可对照液态硅胶冷流道与计量混合；技术方向的全景见硅胶橡胶行业最新技术。