基于机器视觉的磁瓦表面缺陷检测方案

磁瓦，就是永磁电机里产生恒定磁场的核心部件。你开的车的燃料泵电机、你吹的空调的压缩机电机、你用的电动工具的动力电机，里面都有它。这东西看起来不起眼，但制造流程极为复杂，从配料、预烧、破碎、球磨到成型、烧结、磨加工，十几道工序环环相扣。压制成型的力度稍有偏差、烧结温度控制不当、磨加工时进给速度过快，都可能让磁瓦产生裂纹、崩烂、欠磨、压痕等缺陷。

这些缺陷一旦混进成品电机，轻则影响性能，重则引发电机故障甚至安全事故。那问题来了，怎么把这些有缺陷的磁瓦找出来？

目前行业质检方式靠目视检查表面缺块，敲击听音判断内部裂纹。每人每分钟平均只能检测30片。而且磁瓦表面颜色灰暗，用肉眼去看缺陷，对比度低得可怜，缺陷根本不容易被发现。加上工厂车间噪音大，工人长时间盯着看，疲劳之后漏检错检率直线飙升。

你可能会问：那用机器看不行吗？行，但没那么简单。

一、磁瓦表面缺陷检测，到底难在哪？

磁瓦表面缺陷的检测难度，比大多数人想象的要高得多。

首先是缺陷类型多、形态复杂。裂纹有深有浅，崩烂有大有小，欠磨的程度各不相同，压痕的深浅也不一样。每种缺陷在图像上的表现都不一样，传统图像处理算法很难用一种规则覆盖所有情况。

其次是成像本身就有问题。铁氧体磁瓦表面颜色灰暗，用普通光源打上去，得到的图像对比度很低。缺陷和正常区域的灰度差异本来就小，再加上磁瓦表面本身就有不均匀的纹理，缺陷很容易被淹没在背景里。

第三是检测标准难以量化。人工检测时，不同的人判断标准不一样，同一个人上午和下午的判断也可能不一样。什么叫“崩烂”、多大算“欠磨”，没有一个统一的量化标准，这就导致检测结果不稳定。

再加上磁瓦规格多、产量大，每条产线每天要检测成千上万片磁瓦。靠人工一片一片翻来覆去地看，不仅效率低，而且根本做不到全检，大部分厂家只能抽检。

二、用机器视觉检测磁瓦要怎么做

针对这些问题，双翌光电开发了一套基于深度学习的磁瓦表面缺陷检测方案。

1.硬件层面，先把图像“拍清楚”

磁瓦表面灰暗、对比度低，普通光源根本拍不出清晰的图像。针对磁瓦的材质特性和缺陷类型，设计了专门的照明方案。通过合理搭配光源的角度和强度，让缺陷区域的反射光和散射光强度变化被放大。表面质量合格的磁瓦在图像上呈现相对均匀的灰度分布，而存在缺陷的区域则会出现灰度突变。

高分辨率工业相机负责捕捉这些细节。一张清晰的原始图像，后续的处理就简单得多。硬件系统设计的好坏，直接决定了最终检测结果的精度。

2.算法层面，让机器学习识别缺陷

传统机器视觉算法依赖人工设定的规则和阈值，亮度多少算合格、边缘多锐算正常。这种方法对缺陷模式固定的场景有效，但面对磁瓦表面复杂多样的缺陷形态，传统算法往往会漏掉那些不规则的缺陷。

双翌光电的方案采用深度学习算法进行多类别磁瓦表面缺陷识别。系统通过大量标注了缺陷类型的磁瓦图像进行训练，让模型自动学习裂纹、崩烂、欠磨、压痕等不同缺陷的特征。

训练完成之后，系统部署到产线上。当一片磁瓦经过检测工位时，相机拍下图像，算法在几十毫秒内完成判断，这片磁瓦有没有缺陷、有的话属于哪种类型、位置在哪里。检测结果实时输出，配合自动剔除装置，不合格品直接被分离出来。

三、效率与精度的双重提升

这套方案解决了几个核心问题。

效率大幅提升：人工检测每人每分钟30片，机器视觉检测的速度可以做到人工的几倍甚至十几倍，而且可以24小时不间断运行。

精度稳定可靠：深度学习模型不会疲劳、不会走神。只要成像质量稳定，检测标准就是一致的。上午检的和下午检的、今天检的和明天检的，判断标准完全一样。

缺陷类型覆盖更全：传统算法只能检测预设好的几种缺陷模式，深度学习模型通过大量样本训练，能够覆盖裂纹、崩烂、欠磨、压痕等多种缺陷类型，而且随着数据的积累，模型的识别能力还可以持续优化。

数据可追溯：系统会自动记录每一片磁瓦的检测结果、缺陷类型、缺陷位置等信息。这些数据可以用于后续的统计分析，哪类缺陷最多、哪个工序最容易出问题、哪个批次的原材料质量波动最大。有了这些数据，工艺改进就有了依据。

四、结语

磁瓦虽然只是一片小小的瓦状磁铁，但它的质量直接关系到电机系统的稳定性、安全性和可靠性。用机器视觉替代人工目检，把检测从抽检变成全检，这既是技术升级，也是质量管控方式的转变。

双翌光电的这套磁瓦表面缺陷检测方案，已经在实际产线中得到了验证。用机器视觉去解决那些“人看不准、看不快、看不全”的问题，这正是机器视觉技术在工业制造中最朴素也最扎实的价值所在。