摘要：氟橡胶挤出产品被普遍用于汽车，航空，石化等高端领域，其表面质量直接关联到使用性能和产品等级。传统的瑕疵检测依靠人工目检，效率低并且容易受到主观因素的影响，很难符合大批量连续生产的要求。文章针对氟橡胶挤出过程中存在的瑕疵种类，给出一种以AI 学习为基础的图像识别与自动剔除联动系统的设计方案，融合了机器视觉，深度学习以及执行机构控制技术，做到对瑕疵的精确识别并立刻剔除，从而改善生产线的自动化程度和产品质量控制水平。

关键词：氟橡胶挤出；瑕疵检测；自动剔除

氟橡胶因其耐高温、 耐腐蚀等特性使其成为精密密封材料的首选。挤出产品在生产中很容易出现划痕，气泡，压痕等表面瑕疵，这对产品的密封性能和使用寿命有直接影响。依靠人工检测存在效率低，标准不一等状况，严重影响了产品质量的稳定性以及制造成本的控制情况。近些年来，人工智能图像处理与深度学习模型在制造检测领域的应用越来越成熟，给解决氟橡胶挤出瑕疵识别给予了技术途径。若想达成真正意义上的自动检测并剔除瑕疵，就要把 AI 识别系统同生产设备紧密融合起来，创建起闭环控制体系，进而优化整个生产线的智能化水平及其稳定程度。

一、氟橡胶挤出产品瑕疵检测问题分析

（一） 挤出产品表面瑕疵类型多样

氟橡胶挤出过程由于物料性质、模具状况、温度调控、工艺参数等众多要素的影响，很轻易出现各种类型的表面瑕疵。这些瑕疵不仅种类繁杂，在图像上表现出的样子也相当纷乱，有着不同的纹理特点和形状特点。气泡类的瑕疵表现为不规则的空洞，其边缘含糊，大小不等；裂纹类的瑕疵大多顺着挤出的方向发展，纹理比较明晰，可是宽度却十分狭小；压痕类的瑕疵是因为物料被挤压不均匀所造成的凹陷之处，明暗程度对比并不显著，常常会被当成正常的纹路。还有像划痕、污点、溢出边之类的其他类型的瑕疵，在不同的光线照耀之下，其在图片中的体现很可能极其相近似，这就使得检测时出现了更多的误判几率。

（二） 传统检测模式面临效率与准确率瓶颈

传统的挤出瑕疵检测方式基本上是人工用眼睛来识别， 这种方式虽然很灵活，但是效率跟正确率完全靠检验员的主观判断和精力，很容易因为 视角 看或者漏掉瑕疵的情况。而且在生产快节奏的现实情况下， 到同样的结果和一致性。有些厂商试着使用光电传感器做粗略的辨别， 缺陷的时候，这种感应的方式就很容易失去稳定。在实际的产品规格多变，瑕疵种类繁杂的情况下， 光电识别系统很难做到通用性强，应用便捷，要不断更改参数。

（三） 现有检测系统智能化程度较低

虽然有些企业用图像处理设备尝试自动检测，不过整体系统智能化程度还是处在初级阶段。当前的系统大多用静态算法或者规则驱动模型，它们对环境光照，物体反射以及产品动态变化的适应能力比较差，很容易在边缘模糊，对比度低或者图像干扰严重的时候识别失败。图像采集模块配置不合理也是影响检测效果的关键因素，有些系统仅仅依靠单方向光源加上固定角度相机，没法得到立体纹理和瑕疵轮廓特征，致使检测模型失灵。传统检测系统和控制设备耦合性不强，识别结果很难同后面的剔除系统做好联动，产生剔除延时，反应滞后等情况。而且大部分系统缺少数据学习和自我改良的能力，不能依照以前的识别成果来改变识别策略，在多种类，少量产的情况下常常出现模型适配失败的情况。

二、AI 学习驱动的瑕疵检测与自动剔除系统设计策略（一） 多模态图像采集及智能预处理系统设计

建立高效的瑕疵检测系统首先要对图 预处理进行设计 针对氟橡胶产品表面反光强、表面微纹复杂的特点，采取多模态采集策略， 目标图像，配合多光源控制装置，获得光照均匀、纹理清晰的图 调整模块，根据橡胶表面颜色和环境背景调整曝光时间、 度。在图像预处理环节，应该使用图像增强算法进行边缘强化、 像的信息表达能力。对于不同的光照干扰情况，还要建立图像去背景模型， 等无用信息，提高后续识别环节的鲁棒性。

（二） 深度学习驱动的缺陷识别模型构建

提升系统识别准确率的关键是形成具备较强泛化能力和鲁棒性的 AI 识别模型。系统可依照深度卷积神经网络结构，引入多层特征提取网络，对产品表面图像不同层次的纹理信息展开分析并分类。模型要设置多个类别输出节点，对常见的气泡，裂纹，压痕，划痕等瑕疵种类执行精准分类，从而做到图像到标签的端到端识别。通过创建并训练包含大量样本库，模型可以持续学习不同批次产品瑕疵的改变之处，进而提升识别异常数据的能力。 模型训练时要采用数据加强手段，加入旋转，裁剪，噪声扰动等办法来扩充样本多样性，从而提升模型的泛化性能。想要加快检测速度，可以选用轻量化的网络架构，削减计算资源的占用，以符合生产节拍的要求。利用滑动窗口技术和区域建议网络技术，可以做到对整幅图像中多个缺陷区域的并行识别和定位，给剔除系统给予精确的坐标信息。

（三） 智能执行与剔除装置联动控制系统研发

瑕疵识别完成后的剔除动作需要具备高响应、高精准、高同步的特征。系统应当选用集成式的执行控制平台，把AI 识别模块同机械执行装置通过总线协议达成高速联动。针对不同大小和速度的 ，可设置高速电磁驱动臂，机械拨杆或者压缩气流喷头等不同的剔除手段，依照识别模块给出的瑕疵定位数据来执行剔除操作。剔除路径需用动态规划算法做最优运算，保证产品运行期间不会影响正常的节拍，也不妨碍相邻产品的检测流程。剔除执行模块同流水线位置传感系统要达成毫秒级同步，以确保瑕疵产品在移动过程中的识别和定位不会出现偏差。剔除结果应当及时反馈给AI 识别系统，作为系统运行情况监测和识别结果验证的依据，从而构建起完整的质量追踪机制。

（四） 动态学习与系统性能优化机制的研究与构建

想要让系统长久稳定运行并适应环境变化，就需要形成一套依靠动态学习的改良机制。系统要规划好数据反馈途径，把每一轮检测的结果同人工复核的数据做对比分析，创建起错误样本数据库，供识别模型定时重新训练。当产品批次发生改变，材料性质出现变化或者模具有所更新的时候，系统就要启动快速学习程序，利用少量样本增加训练的方法来迅速完成识别模型的适应调整。检测以及剔除的日志要按照类别分开保存，包含有缺陷种类，剔除次数，误判情况等信息，给管理者赋予可视化的质量统计报表，方便找出识别系统的短处并加以改进。 系统应当定时开展运行情况评定，图像采集模块精度，识别正确率，剔除响应时间等关键性能指标均包含在内，凭借评定得到的成果来引导技术人员针对光源设置，模型架构或者执行机构参数做调整改进工作。利用边缘计算技术能够把部分识别任务提前到图像采集端完成，这样就可以加快响应速度并提升数据处理效果，从而形成轻量级又可靠的嵌入式智能检测系统。

三、结束语

氟橡胶挤出产品的表面质量稳定控制关系到它的工程应用性能。依据AI 学习创建起来的瑕疵检测并自动剔除系统，可以提升检测的精准度和反应 使生 程变得更加自动且智能化。采用多个模块互相协调的设计并加以性能优化，就能够给予氟橡胶制品生产稳定且高效的可持续质量控制方案，从而促使制造业由传统的走向智能。

参考文献

[1] 机器学习分析和预测橡胶圈老化性能[J]. 王芳婷;吴尚;徐帅帅;伍斌;夏茹;钱家盛;陈鹏;苗继斌.安徽大学学报(自然科学版),2024(06)

[2] 基于“双碳”目标下，橡胶制品行业绿色发展之路[J]. 徐涛.橡塑技术与装备,2024(03)

[3] 新型鲁棒孪生支持向量回归机[J]. 陈素根;石婷.计算机科学与探索,2023(05)

[4] 基于CATIA 的橡胶圈压胶模二次开发与实验. 康浩;范敬松;钟相强.机械工程师,2023(05)

[5] 一种O 形橡胶圈的密封强度计算方法. 张波;严欢;季敏东;潘绍成.东方电气评论,2022(04)