如何做智能检验-自动检验尺寸

前言：

随着人工智能的发展，越来越多的新技术在各个场景中应用开来，数字化作为智能制造中的前沿，提供了大量的数据和应用系统流程，对于生产供应链来行业来说，很多业务场景将是颠覆式的提升。

1、传统的检验特征

传统的质量检验（Quality Inspection）是确保产品质量符合标准或客户要求的重要环节。不同行业的质量检验侧重点可能不同，但大多数检验过程都会关注一些共通的检验特征和程序。以下是一些常见的检验特征、主要程序，以及不同行业主要质检的项目概览。

检验特征

1. 尺寸精度：检查产品的尺寸是否符合设计规格，包括长度、宽度、高度、直径等。
2. 外观质量：评估产品的外观是否有缺陷，如划痕、凹陷、颜色不一致、表面粗糙度等。
3. 功能性：验证产品是否能够正常工作，执行其设计的功能。
4. 材料和成分：检查产品使用的材料或成分是否符合规格要求，包括化学成分、材料类型等。
5. 结构完整性：评估产品的结构是否稳固，是否有裂纹、焊接不良等结构问题。
6. 包装：检查产品的包装是否符合要求，包括包装材料、标签信息、防护措施等。

主要程序

1. 抽样检验：从一批产品中随机抽取样品进行检验，以评估整批产品的质量。
2. 视觉检查：通过视觉检查来识别外观上的缺陷。
3. 物理和化学测试：对产品进行物理和化学性能测试，以验证其性能和安全性。
4. 尺寸测量：使用量具、测量仪器（如卡尺、量块、三坐标测量机等）来测量产品的尺寸。
5. 功能测试：通过实际操作或模拟使用环境来测试产品的功能性。
6. 记录和报告：记录检验结果，并根据检验结果编写报告。

不同行业主要质检的项目

• 制造业：重点检查尺寸精度、外观质量、结构完整性、材料规格等。
• 电子行业：侧重于功能性测试、电气安全测试、电磁兼容性（EMC）测试、材料和成分析等。
• 食品行业：主要检查成分析、微生物测试、包装标签、储存条件等。
• 制药行业：侧重于成分析、有效性测试、稳定性测试、包装完整性等。
• 汽车行业：检查尺寸精度、功能性测试（如安全性能测试）、材料测试、耐久性测试等。

每个行业的质量检验都有其特定的重点和标准，这些标准通常由行业规范、国家标准或国际标准（如ISO标准）来定义。企业在进行质量检验时，需要根据这些标准和客户的具体要求来制定检验计划和流程。

这里我们用AI视觉方案来做一个介绍

PDM/PLM的发展

PDM和PLM的发展，打通了研发端到生产制造的数据和流程协同，在数据和流程上真正的做到了标准化。’
同时，在2维和3维的日益发展，结构件的设计从单机设计到多人协同设计和软件标准化设计发展。那么如何通过这部分的系统集成，让检验更加智能，是我们利用AI技术需要解决的问题。

要实现通过图片识别自动获取零件尺寸，并与CAD图或Creo的3D图进行自动对比的功能，你可以采取以下步骤来实现这一目标：

1. 图像识别与尺寸提取

首先，你需要使用图像处理和计算机视觉技术来从图片中识别零件并测量其尺寸。这通常涉及以下技术：

• 预处理：包括去噪、增强对比度等，以提高图像质量，便于后续处理。
• 边缘检测：使用如Canny边缘检测算法来识别零件的轮廓。
• 轮廓识别与跟踪：通过轮廓识别算法（如OpenCV中的findContours）来识别零件的形状。
• 尺寸测量：根据图像中的尺度标识（如果有的话）或已知参考物体的尺寸，计算零件的实际尺寸。

2. CAD/Creo图的处理

要与CAD或Creo的3D图进行对比，首先需要从这些图中提取零件的尺寸信息。这可以通过以下方式实现：

• 使用API：许多CAD软件，包括Creo，提供了API接口，允许你编程提取模型的尺寸信息。
• 导出尺寸数据：如果直接编程访问API太复杂，你可以尝试将尺寸信息导出为标准格式（如CSV），然后在你的应用程序中读取这些数据。

3. 自动对比

一旦你从图片中提取了零件的尺寸，并从CAD/Creo图中获取了相应的尺寸数据，下一步就是进行自动对比：

• 数据对齐：确保你比较的是相同的尺寸，可能需要一些数据处理工作来匹配图像识别结果和CAD/Creo数据中的相应尺寸。
• 差异分析：计算实际尺寸与CAD/Creo图中尺寸的差异，根据需要设置容差范围来判断零件是否合格。

4. 技术栈建议

• 图像处理与计算机视觉：OpenCV是一个开源的计算机视觉库，提供了大量的图像处理和视觉识别功能，非常适合用于图像中的零件识别和尺寸测量。
• CAD/Creo API访问：熟悉CAD软件（如Creo）提供的API文档，了解如何编程提取模型信息。
• 编程语言：Python是进行图像处理和数据分析的热门选择，有大量的库和框架（如OpenCV, NumPy, Pandas等）支持这些任务。

5. 注意事项

• 精度问题：图像识别的精度受到多种因素的影响，包括图像质量、拍摄角度、光照条件等，需要仔细考虑这些因素来优化你的解决方案。
• 自动化程度：完全自动化的解决方案可能需要复杂的算法和大量的测试来确保准确性。在初期，可能需要人工审核来确保结果的准确性。

通过上述步骤，需要构建一个系统来自动通过图片识别获取零件尺寸，并与CAD或Creo的3D图进行自动对比，以实现检验过程的自动化和便捷化。