铜鼻子（铜接线端子）在线AOI视觉缺陷检测方案

铜鼻子（铜接线端子）在线AOI视觉缺陷检测方案

基于机器视觉的自动化全检技术方案

版本：V1.0

编制日期：2026年9月

文档密级：内部资料

目  录

1 项目概述与需求分析        

1.1 项目背景        

1.2 检测对象        

1.3 检测需求与性能指标        

1.4 设计原则        

2 铜鼻子常见缺陷类型分析        

2.1 外观缺陷        

2.2 结构缺陷        

2.3 尺寸缺陷        

2.4 缺陷分类汇总        

3 视觉检测系统总体设计        

3.1 系统总体架构        

3.2 检测工位布局        

3.3 系统组成清单        

4 硬件系统选型        

4.1 工业相机选型        

4.2 镜头选型        

4.3 光源照明方案        

4.4 工控机与运动控制        

4.5 硬件配置清单        

5 图像采集与视觉检测方案        

5.1 光源照明设计        

5.2 图像采集与预处理        

5.3 2D视觉缺陷检测算法        

5.4 尺寸精密测量方案        

5.5 3D视觉检测方案        

5.6 深度学习缺陷识别        

6 检测流程设计        

6.1 整体检测流程        

6.2 各环节说明        

6.3 节拍与产能        

7 判定逻辑与数据追溯        

7.1 OK/NG判定        

7.2 分拣剔除机构        

7.3 数据管理与质量追溯        

8 系统性能指标        

9 项目实施与保障        

9.1 实施步骤        

9.2 验收标准        

9.3 维护与售后        

10 方案优势与总结        

1 项目概述与需求分析

1.1 项目背景

铜鼻子（压接型铜接线端子）是电力电缆与设备、母线连接的关键导电部件，其压接质量、接触面状态与外观完整性直接决定线路接触电阻、温升与运行安全。在实际生产中，铜鼻子经过冲压、挤压、机加工、表面处理等多道工序，容易出现划痕、毛刺、氧化、缩孔、压接变形等缺陷。若带缺陷产品流入市场，可能导致接触不良、局部过热，甚至引发电气安全事故。

传统人工目检依赖作业人员经验，存在检出率波动大、效率低、标准难以统一、无法留存完整检测数据等局限，已无法满足客户对铜鼻子质量的严格要求。本方案采用工业机器视觉技术，构建集图像采集、算法分析、智能判定、数据追溯于一体的自动化检测系统，实现对铜鼻子外观、结构、尺寸、高精度、高速在线检测，显著提升质检一致性与可追溯性。

1.2 检测对象

本方案检测对象为压接型铜接线端子（铜鼻子），典型结构由圆柱压接管与带圆孔的连接片组成，材质为电工用紫铜，表面通常经镀锡或抛光处理，常见规格孔径从数毫米至数十毫米不等。产品外观如图1所示。

图1  铜鼻子（压接型铜接线端子）产品示意图

1.3 检测需求与性能指标

本系统需覆盖外观缺陷、结构缺陷与尺寸偏差三类检测需求，关键性能指标设计如表1所示（指标为方案设计目标值，可根据实际产品规格与现场节拍调整）。

表1  铜鼻子缺陷检测需求与性能指标

1.4 设计原则

·       高精度：亚像素测量与3D成像相结合，保证尺寸检测精度；

·       高节拍：多相机并行采集、算法流水线优化，满足在线全检节拍；

·       高稳定性：照明、机械与算法协同设计，降低环境与振动干扰；

·       可追溯：检测图像、判定结果与批次信息全程留存，支持质量回溯；

·       易维护：模块化设计，光源、相机可独立更换，软件参数化可配置。

2 铜鼻子常见缺陷类型分析

结合铜鼻子制造工艺与使用场景，将缺陷归纳为外观缺陷、结构缺陷与尺寸缺陷三大类，作为视觉检测算法的设计与标定依据。图2为正常品与常见缺陷样品的直观对比。

图2  铜鼻子正常品与常见缺陷样品对比示意图

2.1 外观缺陷

外观缺陷影响产品外观与防腐性能，主要包括：划痕（机加工残留）、磕碰（转运碰撞）、毛刺（冲压/机加工边缘残留）、氧化变色（表面处理不到位）、油污与脏污（工序污染）。该类缺陷多表现为局部灰度、纹理或色差突变，是2D视觉检测的重点对象。

2.2 结构缺陷

结构缺陷关乎压接强度与导电可靠性，主要包括：缩孔、砂眼（材料内部气孔暴露）、开裂（压接或成型应力）、压接变形（管口失圆、翻边）。该类缺陷部分隐藏在金属表面以下或呈微细形态，需结合3D轮廓与高分辨率成像识别。

2.3 尺寸缺陷

尺寸缺陷影响装配与压接适配，主要包括：孔径偏差、外径偏差、壁厚不均、长度偏差、内孔同心度与圆柱度超差。该类缺陷通过精密测量实现定量判定，需配合背光成像与亚像素算法完成。

2.4 缺陷分类汇总

表2  铜鼻子缺陷类型与检测手段对照表

3 视觉检测系统总体设计

3.1 系统总体架构

系统采用“硬件执行层—软件算法层—数据管理层”三层架构。硬件层负责图像采集与执行；算法层完成图像处理、缺陷识别、尺寸测量与综合判定；数据管理层实现检测结果存储、批次追溯与质量报表输出。三层通过图像数据流、检测结果流与指令/参数流闭环联动，系统架构如图3所示。

图3  铜鼻子缺陷检测系统总体架构图

3.2 检测工位布局

检测工位由输送定位机构、多角度成像单元、光源系统与工控机组成。工件经定位后，由顶部与侧面相机多角度采集图像，配合分区域光源实现外观与尺寸全覆盖成像，工位布局如图4所示。

图4  铜鼻子视觉检测工位示意图

3.3 系统组成清单

表3  视觉检测系统组成清单

4 硬件系统选型

4.1 工业相机选型

针对铜鼻子外观与尺寸检测，选用工业面阵相机，分辨率依据检测精度与视场确定。对高反光铜面，选用全局快门CMOS相机避免运动拖影；对微细缺陷，选用高分辨率相机保证最小缺陷成像清晰。对需要大范围扫描的场景，可选线扫相机配合编码器同步。

4.2 镜头选型

外观检测选用低畸变定焦镜头；尺寸精密测量优先选用远心镜头，消除透视误差、保证测量一致性；微距检测选用高放大倍率微距镜头，配合景深设计满足工件起伏。

4.3 光源照明方案

照明是视觉检测成败的关键。针对铜鼻子高反光金属表面，采用分区组合照明：环形光突出表面划痕与脏污；同轴光抑制强反光、凸显平整度缺陷；背光凸显轮廓用于尺寸测量；穹顶光实现均匀照明、避免镜面反光。不同缺陷采用对应照明通道，最大限度提高对比度。

4.4 工控机与运动控制

图像处理采用高性能工业控制计算机，配置多核处理器与GPU加速模块，保证多相机并行采集与深度学习推理的实时性；运动控制采用PLC，实现触发同步、节拍管理与分拣执行，并与产线主控联动。

4.5 硬件配置清单

表4  铜鼻子缺陷检测系统硬件配置清单

5 图像采集与视觉检测方案

5.1 光源照明设计

根据缺陷光学特性，对照明方式进行分区设计。外观缺陷强调表面纹理，采用低角度环形光增强划痕与脏污对比度；高反光区域采用同轴光消除镜面反射；轮廓与尺寸测量采用背光获得清晰边缘；端面及内孔采用穹顶光保证均匀。照明方案与检测项目一一对应，确保图像质量稳定。

5.2 图像采集与预处理

工件到位后由光电传感器触发相机采集，图像经灰度化、去噪、增强与畸变校正预处理后进入算法。针对铜面反光，通过ROI裁剪与直方图均衡突出缺陷区域，为后续检测提供稳定输入。

5.3 2D视觉缺陷检测算法

采用阈值分割、Blob分析与形态学处理识别划痕、毛刺、脏污等灰度型缺陷；通过模板匹配完成工件定位与姿态纠偏；结合特征提取（面积、长宽比、灰度差）判定缺陷是否超差。对对比度低的氧化与轻微划痕，采用频域或差分增强算法提高检出率。

5.4 尺寸精密测量方案

采用背光成像配合亚像素边缘提取与卡尺测量，对孔径、外径、壁厚、长度进行定量测量；通过轮廓拟合与几何计算获得同心度、圆柱度。测量结果与标准公差比对，超差自动判NG。远心镜头与标定板联合实现像素—物理尺寸换算，保证测量精度。

5.5 3D视觉检测方案

针对内孔变形、端面平面度、管口失圆等3D缺陷，采用激光三角或结构光3D成像，重建工件三维轮廓，测量平面度、高度差与轮廓偏差。3D检测与2D检测互补，覆盖平面视觉无法识别的深度类缺陷。

5.6 深度学习缺陷识别

对形态多变、样本特征相近的复杂缺陷，采用深度学习模型辅助识别。外观复杂缺陷采用卷积神经网络分类/分割模型；缺陷样本稀缺时，采用小样本异常检测方案，仅以正常样本训练即可识别异常。深度学习与传统算法双通道并行，兼顾稳定性与泛化能力，并通过样本持续迭代优化模型。

6 检测流程设计

6.1 整体检测流程

系统检测流程环环相扣、闭环运行，从自动上料到数据追溯形成完整闭环。整体流程如图5所示，涵盖上料、定位、成像、预处理、并行检测、综合判定、结果处理七个环节，各环节间通过触发信号与数据流衔接，保障检测的连续性与一致性。

图5  铜鼻子缺陷检测整体流程图

6.2 各环节说明

·       自动上料：振动盘/输送线上料，光电传感器检测工件到位并同步触发系统；

·       工件定位与触发：工件到达检测位后，传感器触发相机多角度就位，保证成像位置一致；

·       光源照明与图像采集：分区域光源点亮，相机按序采集外观、尺寸、3D图像；

·       图像预处理：对采集图像进行去噪、增强、畸变校正与轮廓提取，稳定输入；

·       多路并行视觉检测：2D外观、尺寸测量、3D变形、深度学习四路并行处理；

·       综合判定：融合多路结果，按判定规则输出 OK/NG 结论；

·       结果处理与闭环：OK品流入下工序/包装，NG品分拣剔除并进入复检，全程数据存档。

6.3 节拍与产能

通过多相机并行采集与算法流水线优化，单件检测时间可控制在约1秒以内，系统节拍可达60件/分钟以上。各环节时间预算相互衔接，确保在线全检不成为产线瓶颈，节拍预算如表5所示。

表5  检测节拍预算表

7 判定逻辑与数据追溯

7.1 OK/NG判定

系统对2D外观、尺寸测量、3D检测与深度学习结果进行综合判定：任一路判定超差即判为NG，全部合格判为OK。判定阈值采用参数化配置，可依据不同客户标准与产品规格灵活调整，保证判定逻辑清晰、可复现。

7.2 分拣剔除机构

NG品由分拣剔除机构（吹气/机械手）按判定结果从输送线剔除，并触发复检与报警；OK品继续流入下工序。剔除位置与工件一一对应，通过PLC与视觉系统同步定位，确保分拣准确无遗漏。

7.3 数据管理与质量追溯

系统实时保存每件工件的检测图像、缺陷类型、测量数据与判定结果，并按批次、时间、工位建立索引，支持缺陷溯源与质量统计分析。数据可对接MES系统，形成可追溯、可审计的完整质检闭环，为工艺改进与质量追溯提供数据支撑。

8 系统性能指标

综合上述设计与验证，系统关键性能指标如表6所示。指标覆盖精度、节拍、稳定性与追溯能力，作为项目验收与日常考核依据。

表6  系统性能指标汇总表

9 项目实施与保障

9.1 实施步骤

·       需求确认：明确产品规格、缺陷样本、检测精度与节拍要求；

·       打样验证：在实验室完成照明、成像与算法验证，确认检出能力；

·       样机开发：完成硬件装配、软件算法部署与联调；

·       产线试运行：在现场完成节拍、稳定性与误判率考核；

·       验收交付：按性能指标与验收标准完成最终验收并移交。

9.2 验收标准

系统验收以方案性能指标表（表6）为核心依据，产品技术要求参考现行国家标准GB/T 14315—2008《电力电缆导体用压接型铜、铝接线端子和连接管》对铜接线端子的相关要求执行。验收覆盖检测精度、节拍、误判率、稳定性与数据追溯能力等项目，验收前应准备覆盖各类缺陷的代表性样件进行盲测。

9.3 维护与售后

系统提供光源寿命预警、相机标定校验、软件升级与模型迭代服务；建立备件库与远程诊断通道，确保产线稳定运行。定期进行光源清洁、标定复核与性能校准，保障长期检测一致性。

10 方案优势与总结

本方案以机器视觉为核心，构建了面向铜鼻子产品的外观—结构—尺寸一体化在线检测系统。方案具备以下核心优势：

·       检测全面：2D+3D+深度学习多技术融合，覆盖外观、结构、尺寸全类型缺陷；

·       精度高：远心镜头与亚像素算法，实现高精度尺寸测量；

·       节拍快：多相机并行与算法优化，满足高速在线全检；

·       判定可靠：多路结果综合判定，阈值参数化、逻辑清晰可追溯；

·       可追溯：图像与数据全程留存，对接MES，支撑质量追溯与工艺改进。

方案流程环环相扣、闭环可控，兼顾检测精度、节拍、稳定性与可维护性，可有效替代人工目检，提升铜鼻子产品的质量一致性与生产智能化水平，为电力连接器件的可靠性提供坚实保障。