外观缺陷与孔位异常检测案例

场景数据

• 场景方案覆盖 9 类缺陷：孔洞/孔位异常、开槽异常、喷漆色差、表面裂痕、边角崩裂、孔边破损、霉变、脱漆和划痕。
• 首期建议先收敛 2 个检测分项：孔洞/孔位异常和边角崩裂，避免一次性覆盖全部缺陷导致验收口径发散。
• 训练前置样本导入校验已通过，图片、标签、类别文件可追溯，当前校验问题 0 项。

现场场景

该场景面向竹加工产品、竹制半成品和喷漆后产品的外观质检。现场需要识别孔位偏移、孔径异常、开槽质量、边角崩裂、裂纹划痕、色差霉变和脱漆等问题。

这类质检场景不适合直接用低清视频做主链路，更适合采用固定工位、固定治具、稳定光源和工业相机触发拍照，再结合检测、分割、测量和规则判定形成 OK/NG 结果。

业务问题

人工视觉检测容易受到人员经验、疲劳程度和判断口径影响。对于孔位异常、边角崩裂、裂纹划痕、色差和表面瑕疵等检测项，现场需要更稳定的判断标准和更清晰的结果记录。

竹材天然纹理、颜色批次差异和缺陷边界模糊，会显著增加误报和漏检风险。因此首期不能只追求模型指标，而要先把缺陷字典、采集条件、标注规范和复核机制建起来。

平台做法

OrdVista 可将检测项拆解为场景对象和任务对象，通过固定工位、工业相机、稳定光源和治具约束采集条件，再结合云端训练与现场检测形成闭环。

首期以孔位/孔径和边角崩裂为优先项，使用候选检测、几何测量、轮廓分析和公差规则建立 OK/NG 门槛。后续再扩展开槽、裂纹、色差、霉变和脱漆等更依赖光学和样本规模的缺陷项。

交付结果

该场景应交付原图、结果图、缺陷类别、缺陷位置、OK/NG 判定、人工复核记录和样本回流记录。验收时不只看总指标，应按缺陷类别分别统计识别率、准确率、误报和漏检。

当前页面中的“校验问题 0 项”只表示训练前置数据导入检查通过，不代表生产准确率，正式指标需要基于现场样本、拍摄条件和缺陷标准确认。

上线价值

该类项目的核心价值是提升检测一致性，减少漏检和误判带来的返工风险，并为后续新增检测项、多相机扩展和多工位持续接入提供基础。

对于缺陷样本少、检测口径仍需迭代的场景，平台化训练评估和结果追溯比单点模型结果更适合长期建设。