问题——关键铸件缺陷隐蔽，传统检测难以满足“零缺陷”要求。 重型卡车、乘用车等动力系统中，发动机缸体、缸盖、变速箱壳体等铸件长期承受高温高压和交变载荷，若内部存在缩松、气孔、夹渣、裂纹等缺陷——容易形成应力集中——并在服役过程中扩展，最终引发疲劳失效。此外，冷隔、浇不足、毛刺、粘砂、缺肉、多肉等表面缺陷，也会影响装配精度、密封性能及外观质量。现实生产中，依赖人工目视、抽样X射线探伤或破坏性切片的方式，普遍存在效率不高、覆盖不足、判定一致性受人员经验影响等问题，与智能制造“全数、全流程、可追溯”的质量目标仍有差距。 原因——缺陷类型多、结构复杂与车间环境苛刻叠加，抬高了在线检测门槛。 一上，铸件结构往往曲面多、孔系密集、尺寸链复杂，传统检具或三坐标测量很难节拍要求下实现全面覆盖；另一上，铸造车间高温、粉尘、振动与电磁干扰并存，通用计算与视觉设备稳定性不足，影响算法推理与数据传输的连续性。加之产线对实时响应要求提高，单靠云端或离线分析难以兼顾时效与成本，检测能力向产线边缘部署逐渐成为共识。 影响——工业视觉与边缘算力融合，正重塑铸件质量控制方式。 记者了解到，面向铸造场景，业内正将X射线数字成像、三维激光扫描与二维高分辨率成像等多源传感手段，与缺陷识别、尺寸比对等算法结合，形成覆盖内部与表面的综合检测链条。以亿道三防推出的AIbox为例，其定位为产线边缘侧的核心处理单元，可在多尘、高温、振动环境下稳定运行，为多工位视觉检测提供就地推理与数据处理能力。此类应用的共同趋势是：把过去依赖抽检与经验判断的环节，转为自动化、量化、可追溯的过程控制。 对策——以“多站点联动”实现内部探伤、尺寸测量与外观检测闭环。 一是推进基于X射线数字成像的内部缺陷自动检测。铸件通过X射线成像系统后生成投影图像，边缘侧模型可识别定位气孔、缩松、夹渣等缺陷，并对缺陷面积、尺寸与位置进行量化，提高判片效率与一致性，降低人工复核压力。 二是推动三维视觉引导的机器人全尺寸测量。通过线激光扫描获取点云数据，并与CAD模型快速比对，可输出偏差分布，自动提取关键特征尺寸与形位公差，帮助企业从“少量抽检”向“过程全检”延伸，同时减少专用检具投入与换型成本。 三是完善复杂表面外观缺陷的智能识别。在机加工前布置相机并搭配多种光源，可稳定检出裂纹、冷隔、飞边毛刺等缺陷，并为后续清理打磨提供定位依据，提高节拍与返修效率。 四是强化设备适应性，夯实稳定运行基础。面向铸造“热、尘、振”环境，边缘侧硬件需在散热、防尘、抗振与电磁兼容上达到工业级要求，保障算法推理在产线长周期连续运行，减少环境变化引发的数据漂移与误判。 前景——从“检测自动化”迈向“质量治理数字化”，仍需标准与协同同步跟进。 业内人士认为，工业视觉在铸造质量控制中的价值不止于“发现缺陷”，更在于将缺陷数据回流工艺端，用于工艺参数优化、模具维护和设备状态管理，形成闭环改进。下一步，随着模型泛化能力提升、数据标注与缺陷分级标准逐步统一，并与MES、质量追溯系统深入对接，铸件检测有望从单点应用走向全链路协同。同时也需正视数据安全、算法可解释性、跨产线适配成本等问题，通过行业标准、检测规范与验收体系建设，推动技术规模化落地。
制造业竞争离不开质量，质量提升的关键在过程可控、数据可证。把“看不见的缺陷”转化为可测量、可追溯、可纠偏的数据，既是铸造行业迈向高端制造的必答题，也是保障装备安全可靠运行的重要支撑。随着工业视觉检测加速在产线边缘落地，能否在标准体系、数据治理与工艺闭环上同步推进，将决定这场质量变革走得多深、多稳。