在芯片制造車間，一顆0.1毫米的劃痕可能導致整個批次報廢；在航空發動機檢修中，人工肉眼檢查葉片裂紋的漏檢率高達15%。如今，3D視覺技術正成為制造業的“質檢神器”，但如何讓AI精準“看懂”復雜表面的微小缺陷？香港科技大學（廣州）團隊在《Frontiers in Engineering Management》發表綜述，系統梳理了基于3D點云數據的異常檢測技術，指出深度學習方法（如PointNet、Transformer）準確率可達95%，但面臨數據稀缺和計算成本高的挑戰。研究呼吁結合大語言模型和多模態數據，推動工業質檢向“全自動、高精度”升級。

從“拍照片”到“CT掃描”：3D點云為何成質檢新寵？

傳統制造業質檢依賴2D圖像，如同“拍照片”判斷表面缺陷，易受光照、角度影響，對凹陷、裂紋等立體異常識別率不足70%。而3D點云技術通過激光掃描生成數百萬個三維坐標點，相當于“給產品做全身CT”，能捕捉深度、曲率等幾何細節，即使在暗環境或復雜紋理表面也能精準定位缺陷。

“3D點云就像給產品建了個數字孿生模型，每個點的坐標誤差不超過5微米。”研究團隊解釋，這種技術已用于航空發動機葉片、高鐵軌道等精密部件檢測，將傳統人工漏檢率從15%降至1%以下。但它也面臨“三大攔路虎”：非結構化點云數據難以處理、異常樣本稀缺（制造業中不足1%）、缺陷類型多樣且分布稀疏（如針尖大小的氣孔）。

AI“三招”攻克檢測難題：監督學習、無監督學習與“零訓練”模式

論文將現有技術分為三大類，各有“看家本領”。監督學習如同“師傅帶徒弟”，AI通過標注好的正常/異常樣本學習。例如，PointNet系列模型通過多層感知機處理點云數據，在金屬增材制造檢測中準確率達91.3%。但它依賴大量標注數據，而制造業中異常樣本往往“一圖難求”，如同“大海撈針”。

無監督學習則讓AI“自學成才”，只需正常樣本即可訓練。記憶庫方法（如BTF）通過存儲正常表面特征，遇到差異超過閾值的區域就報警，在MVTec3D數據集上AUPRO（區域重疊曲線下面積）達0.924，相當于“記住所有正常面孔，陌生面孔一出現就報警”。不過，這類方法對渦輪葉片等復雜曲面的誤檢率仍有8%。

無訓練方法更顛覆，無需任何樣本就能檢測。例如，基于CAD模型比對的方法，通過將掃描點云與設計圖紙“對齊”，偏差超過0.02毫米即判定為缺陷，已用于3D打印零件檢測，DICE系數（檢測重疊度）達0.993，相當于“用設計圖當模板，哪里不對一目了然”。

現實挑戰與未來破局：數據少、計算慢，多模態融合是關鍵

盡管技術先進，3D視覺質檢仍面臨“兩重山”。一是數據稀缺，標注一個包含10萬個點的點云樣本需3小時，成本是2D圖像的10倍；二是計算昂貴，處理百萬級點云需GPU運行10分鐘，難以滿足生產線實時檢測需求。

研究指出，多模態融合是突破口：將3D點云與2D圖像、紅外熱成像結合，如同“給AI配了眼睛和溫度計”，可提升復雜缺陷（如內部空洞）的檢出率。例如，CPMF方法融合2D圖像特征與3D幾何信息，在MVTec3D數據集上I-AUROC（分類指標）達0.952，誤檢率降低40%。

未來，大語言模型（LLM）或成“新幫手”。通過解析制造標準文檔（如ISO公差規范），LLM可指導AI識別“什么是合格產品”，減少對標注數據的依賴。但目前3D基礎模型仍空白，如何將2D預訓練模型（如ResNet）遷移到3D領域，仍是待解難題。

來源: 工程管理前沿