使用深度学习检测元器件是否缺失零件-怎么快速地批量采集深度学习训练用的图片

厂家生产的开关钮出现零件缺少的问题

厂家生产的开关按钮，完好的产品如图

黄色框住的部分是一个零件，是由人工插进去的

这里会出现两个问题：

1. 人工漏插：人眼疲劳下的“看不见的缺失”

在小批量、多品种的生产线上，这类带金属弹片的开关/连接器常由操作员手工插入外壳。由于：

弹片尺寸微小（常小于2mm），颜色与外壳相近；
工位照明不足或反光干扰；
操作员长时间重复作业导致注意力下降；
极易发生“以为已插，实则未装”的情况。

更棘手的是：外壳卡扣闭合后，从外部完全看不出内部是否缺件——产品通过目检，却在终端设备中失效。

2. 插不到位：看似装好，实则“悬而未固”

即使操作员完成了插入动作，也可能因以下原因导致弹片未完全到位：

插入力度不足，弹片未卡入定位槽；
外壳结构有轻微变形，阻碍弹片落位；
操作手法不一致（如斜插、偏压）；
此时弹片仅靠摩擦力“临时停留”，在后续搬运、振动或包装过程中悄然脱落。

最终流入下道工序的产品，外观完整、手感无异，唯独功能缺失——成为潜伏的“隐形不良品”。

缺少了零件的元器件如下图

因此，产品打包装之前，对其进行完整性检测是十分必要的

---

思路：用深度学习去检测开关按钮的完整性

如果用深度学习，首先第一步就是采集照片

采集照片的思路1：人工使用手机进行照片采集

1. 角度不可控 → 模型“学偏了”
   手机拍摄依赖人手，每次角度、高度、距离不一致
   缺陷（如内部弹片缺失）往往只在特定视角可见，漏拍=模型永远学不会
   结果：训练数据分布不均，模型泛化能力差
2. 光照不稳定 → 引入噪声干扰
   自然光/室内灯光随时间、天气、位置变化
   手机自动曝光导致同一物体明暗差异大
   AI容易把“光影变化”误判为“结构缺陷”，虚警率飙升
3. 背景杂乱 → 干扰特征提取
   桌面、手指、杂物常入镜
   模型被迫学习无关背景，降低对目标元器件的专注度
   需额外做图像裁剪/分割，增加预处理成本
4. 效率极低 + 易疲劳 → 数据量难达标
   拍100个样本需反复摆放、对焦、点击，耗时30分钟以上
   人工疲劳后质量进一步下降（模糊、抖动、角度重复）
   而深度学习通常需要数千至上万张高质量样本——几乎不可能靠人工完成
5. 数据无标准 → 无法复现、难以迭代
   文件命名随意（如 IMG_1234.jpg）
   无角度、时间、设备等元信息
   后续想补充数据、对比模型效果？根本无法对齐！

“垃圾进，垃圾出”——再强大的AI模型，也依赖高质量的训练数据。

采集照片的思路2：是用艾易欧科技的智能照片采集仪IEO-SPC

为什么我们的旋转拍照平台是AI检测的理想搭档？

1 🔄 360°自动旋转 + 多角度拍摄

单次放置，自动完成多张张高清图像采集
捕捉侧面、底部、内腔等人眼难见的结构细节
输出标准数据集：每张图带角度标签，便于模型学习空间关系

2 💡 光照均匀，背景纯净

内置环形LED光源，避免阴影遮挡关键部位
可选白色/黑色背景板，突出目标物体轮廓
图像质量稳定，减少模型因光照差异产生的误判

3 🤖 为深度学习“定制”高质量训练数据

无需人工反复摆拍，节省90%数据采集时间

智能照片采集仪IEO-SPC 一次拍摄，就可以拍摄多个角度的照片

有缺陷的开关按钮，很容易就可以通过多个角度采集到角度的照片用于训练

真机拍摄的视频演示

为深度学习训练进行多角度拍摄开关按钮