自动光学缺陷检测生产过程

融合检测的联合决策机制

融合检测不单单是把两个任务放在一起执行，更重要的是建立统一的决策机制。GSM1000系统的融合检测框架通过联合决策模块，同时输出缺陷类型（如划痕、裂纹）和颜色参数（ΔCx、ΔCy值），并通过置信度加权实现综合质量判定。这意味着系统不是简单地分别判断“缺陷是否合格”和“颜色是否合格”，而是将两类信息综合起来评估产品的整体质量。例如，一个产品可能颜色参数在合格范围内，但存在轻微划痕——系统会综合考虑缺陷的严重程度和颜色偏差的大小，给出一个综合的质量评分。 传统检测方式中，缺陷与颜色数据需分别采集，关联性较差。自动光学缺陷检测生产过程

图像可视化与伪色图输出

数据只有被直观呈现才能真正发挥作用。GSM1000系统提供了丰富的图像可视化功能，能够将测量数据转化为易于理解的视觉图像。其中伪色图是亮度分布可视化的重要工具——系统将发光面上不同区域的亮度值映射为不同的颜色，亮度高的区域显示为暖色，亮度低的区域显示为冷色，整个发光面的亮度分布一目了然。同样，CIE色空间图可以将色度测量结果直观地呈现在色度坐标图上，帮助用户快速判断色度是否符合目标范围。这种可视化输出方式降低了数据分析的门槛，无论是光学工程师还是质量管理人员，都能够通过图像快速把握产品的光学性能状态。 购买光学缺陷检测用户体验新车型发光件材质变化导致标注样本不足，新型号样本量通常不超过50张。

分布偏移与小样本适应性

新车型发光件的材质变化会导致数据分布发生偏移。以旧车型数据构成的源域包含1000张以上的图像，缺陷与颜色特征分布已经相对稳定；而新车型数据构成的目标域样本量通常不超过50张，特征分布与源域存在差异——例如哑光材质的反光强度可能比原有材质降低60%。这种分布偏移意味着直接在目标域上应用源域模型会产生较大的误差。迁移学习通过参数迁移和分布对齐两个机制来解决这一问题。参数迁移是指冻结源域模型的底层卷积层参数（这些参数提取的是通用的视觉特征），只微调顶层全连接层。

联合创新实验室与产学研合作

技术创新不能闭门造车，与产业上下游的紧密合作是技术落地的重要途径。光色科技与吉利研究院共建了联合创新实验室，推动行业技术规范与前沿应用的落地。这种产学研合作模式让光色科技能够深入了解主机厂在实际生产中面临的光学检测挑战，将实验室的技术成果与产线的实际需求对接。GSM1000系统在研发过程中充分吸收了来自联合创新实验室的反馈——系统在微透镜模组检测中关注的亮度均匀性、色度均匀性、杂散光等指标，正是主机厂在发光件质量管控中重点关注的项目。联合创新实验室的存在，确保了GSM1000系统的技术方向始终与行业需求保持一致。 源域旧车型数据特征分布稳定，目标域新车型样本分布偏移明显。

深度学习模型的自动缺陷分类

传统的缺陷检测依赖人工设定的规则和阈值——亮度超过某个值判定为亮斑、边缘梯度超过某个值判定为划痕。这种基于规则的方法在面对复杂多变的缺陷形态时往往力不从心——同一种缺陷在不同光照条件下可能呈现完全不同的外观。GSM1000系统采用基于深度学习的自动缺陷分类方法。系统通过大量缺陷样本的训练，让深度学习模型自动学习各类缺陷的视觉特征，无需人工设定规则。训练完成后，模型能够自动识别和分类各类缺陷，识别准确度高。更重要的是，模型可以通过动态更新的判定标准库持续优化，实现全生产线检测标准的统一，消除人工检测中存在的主观判断差异。 迁移学习机制有效利用已有数据知识，减少重复标注工作。个性化光学缺陷检测技术参数

割裂的检测流程难以捕捉缺陷与色差之间的耦合关系，可能遗漏重要质量信息。自动光学缺陷检测生产过程

缺陷检测的选配能力

除了常规的亮度、色度、均匀性等光学参数测量，GSM1000系统还提供了缺陷检测的选配功能。这一功能专注于识别发光面上的局部异常，如亮斑、暗斑等肉眼可见或不可见的瑕疵。亮斑可能是由微透镜加工中的局部凸起造成的，暗斑则可能源于材料中的杂质或成型缺陷。这些局部异常虽然面积不大，但在发光状态下会被放大，影响整体的视觉品质。通过选配缺陷检测模块，GSM1000系统能够在测量光学参数的同时完成缺陷筛查，将光学性能评估和外观质量检查整合在同一个检测流程中，提高了检测的全面性和效率。 自动光学缺陷检测生产过程