铝合金车轮外观质量的终检，是产品出厂前的最后一道关键工序。合格产品经包装后出厂，存在缺陷的产品则返修或回炉处理。终检的外观缺陷检测项目，主要涵盖表面处理与涂层质量、铸造类表面缺陷，以及和功能、安全性能相关的外观检验等内容。现阶段该环节仍以人工目视检测为主，辅以手触查验与专用工具完成检验；至于智能化自动检测，行业内至今尚无一套成熟且经实践验证的解决方案。智能检测落地难的核心痛点，并非算法先进性不足，而是工业现场的复杂工况与算法本身固有的脆弱性之间的根本性矛盾尚未得到系统性解决。

铝合金车轮的制造链条长，跨越多个专业领域，从铸造、热处理、机加工到喷涂，以及不断的转运过程中，每个环节都可能产生不同的外观缺陷。铸造环节的气孔、未充满，机加工环节的加工余量不足、划伤，转运过程的磕碰，以及表面处理后的漆膜质量与色差等等，共同构成了一个种类繁多、形态各异的缺陷谱系。这些缺陷对算法而言极不“友好”，铸造针孔涂罩光漆后可能呈现为光滑微小的气泡；细小划痕与刀纹重合，只有在一定反光角度才会被拍到；有的灰尘点直径不足0.1毫米，隐藏在轮辐转角的高光区。传统机器视觉依赖人工设计的特征提取规则，面对这种形态发散、边界模糊的缺陷集合，几乎无法建立通用的描述子。深度学习虽具备自动特征提取能力，但其性能高度依赖于训练数据的规模与覆盖度。而工业场景中，某些缺陷本身就是低频事件，采集足够数量的样本本身就是难题。更棘手的是，不同类型的缺陷在图像上的表现差异极大，一个在针孔检测上表现优异的模型，面对划痕时可能完全失效。缺陷的“非标性”直接动摇了监督学习的前提假设：训练分布与测试分布的一致性。

与平面产品不同，铝合金车轮的检测区域——轮辐平面与窗口侧面——本质上是三维曲面。曲面带来的第一个问题是光照不均：同一光源下，轮辐的凸起区域可能过曝形成镜面反射，而窗口内侧的凹陷处则因遮蔽而光照不足，同一缺陷在不同角度下成像差异巨大。因此，要保证铝合金车轮轮辐平面、窗口侧面每一个细节都能有效取像，就需要多相机（或机位）、多角度、多光源协同成像。另外，精车后的铝合金表面与涂装的铝合金表面对光的反射率差异巨大，系统往往需要为不同产品、不同表面处理工艺定制完全不同的光学方案，一套设备检查所有产品是完全不可能的。这就需要经验丰富的技术人员依据每一款车轮的表面造型特点，对镜头的运动轨迹进行编程，确保相机对轮子上每一处检测面都能有效且清晰地拍照；同时还要针对不同缺陷，让特殊光源与镜头保持多个不同角度的变化，以拍取展现缺陷最佳效果的影像。总之，外观智能检测项目的成败70%在于光学打光，打光决定成像的质量，而成像的质量决定识别的上限。

AI检测的前提是标准可量化、可定义。但铝合金车轮外观验收恰恰存在大量“灰色地带”：具体多深算划伤？多密的针孔和漆点算不合格？主机厂给的缺陷验收标准往往是文字描述加限度样板，而非精确的数值边界。另外，缺陷所在的位置不同，最终结论也不一样。例如轮辐正面1毫米的划伤不可接受，轮辋内侧不起眼处3毫米的可能放行。同时，不同客户、不同车型、不同市场的标准互不相同，且标准本身也处于一个动态的不断调整中。当标准依赖人的手感和经验，模型就失去了明确的监督信号，于是便会出现AI报警的、人看觉得没事，人眼判废的、AI却放行这种哭笑不得的场景，最终决策又回到人工，投资效益大打折扣。

产线对检测速度的要求是刚性的。一条铝合金车轮生产线，满产时的节拍一般都是固定的。人工检测虽然稳定性不足，但在灵活性上仍有自动化系统难以企及的优势：一个熟练的检查员在5至30秒内都可以完成对一款铝合金车轮A、B、C、D四个区域的全面观察，同时辅以双手触摸快速对整个轮缘进行磕碰伤及其他异常的检查，并凭借经验对缺陷进行快速分类和标记。而对于现有的智能检测系统来说，为了覆盖曲面的每个角落，系统需要从数十个甚至数百个角度采集图像，单单一个轮缘就可能要采集数十张图片，因此每个车轮会轻松产生几百张待处理图片。在如此庞大的数据量面前，高精度的深度学习模型虽然能实现缺陷的像素级分割，但其推理速度却难以满足实时性要求；而轻量化的模型虽然推理更快，却在低对比度、小尺寸缺陷的识别上力不从心。虽然近期的一些研究试图通过改进技术突破这一瓶颈，但这些改进仍然处于学术验证阶段，距离在真实产线多变工况下的稳定部署还有相当距离。效率与精度的权衡，在工业场景中不是一道可以随意调节的滑块，而是一道硬约束：任何不能跟上产线节拍的检测方案，无论精度多高，都注定无法落地。另外，系统需要拍摄的图片如此之多，机械手的运动也会消耗大量时间，为了满足生产线的节拍，就必须设置更多工位，将图像采集任务进行分解，而每类工位的任务不同，需要配置的镜头、光源也不同，这就意味着硬件投入大幅增加，安装空间也需同步扩大。

除技术瓶颈外，智能检测系统的落地成本与运维难题，也是普及应用的核心阻碍。第一，硬件集成成本高。为适配车轮曲面、反光、细微缺陷检测，需要高精度工业相机、多种定制光源、多维度机械传动机构，硬件采购、集成、调试成本远远高于普通视觉检测设备，初期投入门槛高。第二，后期运行维护繁琐。生产线工况变化、产品迭代、工艺升级后，需要技术人员定期调试设备、优化模型、更新参数，持续运维成本较高。而多数工厂缺乏既懂算法又懂工艺的复合型人才，上述工作都需要依赖供应商，即使小故障也要等供应商远程支持，产线停一分钟都是真金白银。

那么，铝合金车轮的外观缺陷AI检测面临这么多问题，这项技术还有推进的价值吗？答案是必须做下去，止步不前就没有技术进步。和铝合金轮毂全自动包装码垛类似，单从技术层面来看，目前铝合金车轮外观缺陷AI检测并不存在不可逾越的技术壁垒。倘若不计成本，投入充足资金与场地，也能够对冲上述几个“痛点”带来的影响。那么具体如何进行呢？

首先，项目的研发离不开铝合金车轮生产企业的深度参与与大力支持。该类项目研发投入巨大，仅依靠设备开发商独自承担全部资金压力负担过重。这项技术实践性极强，模型验证、算法优化都需要长期在生产现场开展，没有大量缺陷样本的支持和车轮企业的积极配合，单靠设备商借用几个样轮的纸上谈兵永远不会有突破。实用技术离不开市场需求作为支撑，否则就会丧失发展动力与生存空间，尤其是前期投入巨大的AI 检测项目，必须获得轮毂企业的实际应用反馈与落地支持，市场的袖手旁观会将新生的技术扼杀在萌芽阶段。

其次，项目落地还应当严格遵循两个“百分百”原则。当前某些铝合金车轮的外观缺陷AI检测设备供应商宣称检测的准确率可达99%，貌似效果理想，很多人会误以为可以削减99%的人工，实则存在巨大误区，现实中甚至连一名工人都无法缩减，只会额外增加资金与场地成本。以年产200万只车轮的产线为例，99%的准确率就意味着每年会有2万只轮子被错判。也就是说，这2万只轮子中有一部分是缺陷产品混入了良品，一部分是合格品被误判为缺陷，而错判发生的轮型、时间我们都无从知晓，能做的就是还需用原有全部终检人员，对AI输出的良品、缺陷产品全部复检，基于此，目前这种设备没有任何实用价值。那么什么是两个“百分百”原则呢？其实就是项目开发的两个关键节点。第一个“百分百”，是先做到凡是经AI系统检出的缺陷产品，100%都是不具备返修条件，可以直接回炉的不良品。这个“百分百”并不是意味着AI系统已经能够100%的区分缺陷产品和合格品，而是通过调整阈值将部分缺陷产品筛选出来，在这个阶段仍会有部分缺陷产品被系统放行混入良品。达成该条件，系统就具备初步落地的价值了。假设可回炉类缺陷产品占比1%，那么此时便可节约1%的终检人力。当然这个阶段投入产出比或许为负，但这是AI检测发展的必经阶段，可以此积累样本与实践经验，持续提升系统性能。第二个“百分百”，是经过上述第一个阶段后的不断优化与积累，AI系统已经能够做到凡是系统检出的合格品，100%都是合格的，但不保证还有合格品被误判混入到缺陷产品中。由于在任何一个铝合金车轮企业，合格品都是占绝大多数的，所以在这个阶段，用少部分人力对未通过AI系统检测的少部分产品进行人工复检即可。由于机器视觉AI识别永远做不到100%的准确率，做得再好也只能是无限趋近于理想水平。所以对于铝合金车轮外观缺陷的AI检测系统来说，能够做到这第二个“百分百”，就标志着该系统已经真正具备实用价值，剩下的工作就是通过持续优化算法，逐步提升过检良品的比例。

第三，破局方向要从“单点设备”走向“系统工程”。很多企业将智能检测简单理解为采购一台设备替换几个工人，但这项工作的本质是光学工程、数据工程、工艺知识与生产流程的的系统性重构。技术层面可引入缺陷生成模型、异常检测算法，仅学习良品样本分布即可识别异常工件，缓解缺陷样本稀缺的难题。行业上下游可协同共建标准化缺陷数据集与评测基准，实现行业数据共享，不过目前该构想在行业内还纯属痴心妄想。产业实践应当走人机协同路线，而非追求完全替代人工，先由人工划定适配AI检测的轮型，AI负责初筛分级，人工专门处理争议件、更新检测标准。在使用过程中持续迭代优化模型，循序渐进提升AI检测占比，拒绝一步到位的理想化目标。

铝合金车轮外观检测智能化，从来不是单纯的算法问题。它受限于缺陷样本匮乏、光学成像的物理极限、判定标准的主观性，同时还要权衡投入产出效益，更需要打破铝合金车轮制造行业坐等现成技术落地的固有思维。正视各类现实痛点，摒弃“采购设备即可万事大吉”的幻想，以系统工程思维统筹推进各项工作，唯有如此，外观缺陷AI检测才能从展厅里的演示设备，真正成为生产线上稳定可靠的质量守门人。这条路，必须走，也值得走。

王巨光

2026年10月18日星期日