手機(jī)外殼的微小劃痕、飛機(jī)零件的細(xì)微變形，這些用肉眼難辨的瑕疵，卻可能成為產(chǎn)品質(zhì)量的“定時(shí)炸彈”。傳統(tǒng)制造業(yè)中，90%的表面質(zhì)檢依賴人工，不僅效率低（每人每天最多檢測(cè)500件），還因視覺疲勞導(dǎo)致30%的漏檢率。如今，隨著3D掃描技術(shù)的普及，每秒百萬點(diǎn)的高精度點(diǎn)云數(shù)據(jù)（由海量3D坐標(biāo)點(diǎn)組成的物體表面模型）為AI質(zhì)檢提供了“火眼金睛”。近日，香港科技大學(xué)（廣州）團(tuán)隊(duì)在《Frontiers of Engineering Management》發(fā)表綜述，系統(tǒng)梳理了3D視覺異常檢測(cè)的三大技術(shù)路徑，為制造業(yè)質(zhì)檢自動(dòng)化提供“全景地圖”。

從“平面照片”到“立體模型”：3D點(diǎn)云如何顛覆質(zhì)檢？

“2D圖像就像拍身份證照，3D點(diǎn)云則是給物體做CT掃描。”研究團(tuán)隊(duì)解釋，傳統(tǒng)2D圖像檢測(cè)易受光照、角度影響，比如金屬表面反光可能掩蓋劃痕；而3D點(diǎn)云能捕捉毫米級(jí)的深度信息，像手機(jī)玻璃的凹陷、渦輪葉片的裂紋，都能通過點(diǎn)坐標(biāo)差異精準(zhǔn)定位。2023年發(fā)布的MVTec-3D AD數(shù)據(jù)集顯示，在10類工業(yè)零件檢測(cè)中，3D方法的誤檢率比2D圖像降低47%。

但3D點(diǎn)云也帶來新挑戰(zhàn)：數(shù)據(jù)像“散亂的樂高積木”，不像圖像有整齊的像素網(wǎng)格，AI難以直接“讀懂”；異常樣本稀缺，比如汽車零件的次品率可能低于0.1%，標(biāo)注成本極高；瑕疵形態(tài)千變?nèi)f化，同一類劃痕的長(zhǎng)度、深度可能差10倍，讓AI“難以捉摸”。

三大AI“質(zhì)檢員”上崗：各有神通應(yīng)對(duì)復(fù)雜場(chǎng)景

1. 監(jiān)督學(xué)習(xí)：“老師傅帶徒弟”式精準(zhǔn)識(shí)別

如果工廠有足夠多標(biāo)注好的瑕疵樣本（如1000個(gè)劃痕、500個(gè)凹陷），監(jiān)督學(xué)習(xí)就能大顯身手。這類方法像“老師傅帶徒弟”，讓AI從正反樣本中學(xué)習(xí)特征。比如PointNet網(wǎng)絡(luò)，能把無序的點(diǎn)云數(shù)據(jù)“翻譯”成AI能理解的特征向量，就像把散亂的樂高按形狀分類。在渦輪葉片檢測(cè)中，基于PointNet++的模型準(zhǔn)確率達(dá)0.882，遠(yuǎn)超人工的0.75。

但它的短板也很明顯：依賴“題海戰(zhàn)術(shù)”，若樣本不足（如定制化零件只有10個(gè)正常樣本），AI就會(huì)“學(xué)藝不精”。

2. 無監(jiān)督學(xué)習(xí)：“只看正品也能抓壞蛋”

針對(duì)樣本稀缺問題，無監(jiān)督學(xué)習(xí)另辟蹊徑——只需正常樣本就能訓(xùn)練。比如“記憶銀行”方法，先把大量正常產(chǎn)品的點(diǎn)云特征存入“數(shù)據(jù)庫(kù)”，檢測(cè)時(shí)一旦發(fā)現(xiàn)新零件的特征與“數(shù)據(jù)庫(kù)”差異過大，就判定為異常。論文中提到的3D-ST方法，在MVTec-3D AD數(shù)據(jù)集上的AUPRO指標(biāo)（衡量異常定位精度）達(dá)0.833，接近監(jiān)督學(xué)習(xí)水平。

更巧妙的是“知識(shí)蒸餾”技術(shù)：用一個(gè)“老師模型”（預(yù)訓(xùn)練的3D特征提取器）教“學(xué)生模型”模仿正常樣本的特征。當(dāng)學(xué)生“學(xué)偏”（輸出與老師差異大），就說明遇到了異常。這種方法已在汽車門板檢測(cè)中實(shí)現(xiàn)98.5%的召回率（不漏檢）。

3. 無訓(xùn)練方法：“看一眼圖紙就開工”

對(duì)小批量定制產(chǎn)品（如航天零件僅生產(chǎn)5件），無訓(xùn)練方法堪稱“救星”。它不需要任何樣本訓(xùn)練，直接拿單個(gè)正品當(dāng)“模板”，通過比對(duì)點(diǎn)云與CAD圖紙的差異找瑕疵。比如用ICP算法（迭代最近點(diǎn)）讓掃描點(diǎn)云與設(shè)計(jì)圖紙“對(duì)齊”，偏差超過閾值的就是缺陷。在3D打印零件檢測(cè)中，這種方法的準(zhǔn)確率達(dá)0.999，連0.1毫米的變形都能捕捉。

未來工廠：AI質(zhì)檢如何更“聰明”？

盡管技術(shù)進(jìn)步顯著，3D視覺檢測(cè)仍面臨“最后一公里”難題：邊界模糊（異常與正常區(qū)域的過渡帶難界定）、實(shí)時(shí)性不足（復(fù)雜點(diǎn)云處理需秒級(jí)響應(yīng)）。研究團(tuán)隊(duì)指出，多模態(tài)融合（如3D點(diǎn)云+紅外熱成像）和大語言模型輔助（用工藝文檔指導(dǎo)AI識(shí)別瑕疵）將是突破口。

目前，MVTec-3D AD等公開數(shù)據(jù)集已包含10類工業(yè)零件的3D點(diǎn)云數(shù)據(jù)，為算法研發(fā)提供“練兵場(chǎng)”。隨著國(guó)產(chǎn)3D掃描儀價(jià)格降至萬元級(jí)，AI質(zhì)檢正從高端汽車、航空領(lǐng)域向電子、模具等行業(yè)普及。或許不久后，當(dāng)你拿起新手機(jī)時(shí)，它光滑的背板已通過AI的“3D火眼金睛”檢驗(yàn)。

來源: 工程管理前沿