在塑料制品（外壳、透明件、注塑件等）生产过程中，细微划痕、气泡、夹杂与表面不均匀往往难以在普通可见光条件下被稳定检测。这类缺陷一旦流入下游装配或终端产品，将直接影响外观等级与可靠性。
本项目提出一种 “UV 曝光 + AI 视觉识别” 的检测思路：
利用 紫外光照射 改变塑料表面对划痕、气泡等缺陷的光学响应；
通过固定光源与成像结构，获取高对比度缺陷图像；
使用 深度学习目标检测模型 对缺陷进行自动识别与分类。
该方案面向 低成本工业 AI 视觉检测 场景，强调可复现性与工程可落地性。
整套检测系统由以下模块构成：
UV 光源模块
提供稳定、均匀的紫外照射
用于增强塑料表面缺陷的可见性
成像单元（工业相机 / 高分辨率摄像头）
固定安装，避免视角变化
与 UV 光源形成稳定光路
被测塑料样品
包括存在划痕、气泡及表面瑕疵的注塑件
计算与推理平台
运行数据采集、模型推理与结果可视化程序
可部署于 PC 或边缘计算设备
与普通白光不同，UV 光在塑料表面会产生以下效果：
划痕：在 UV 条件下产生明显的散射或反射差异；
气泡/内部空洞：呈现局部高亮或轮廓增强；
表面不均匀区域：灰度与纹理特征更明显。
这些变化为后续的 AI 模型提供了 更易分离的特征空间，显著降低模型训练难度。
在 UV 光照条件固定 的情况下拍摄塑料表面图像；
确保曝光、距离、角度一致；
构建包含正常样本与多类型缺陷样本的数据集。
对采集到的图像进行人工标注，常见缺陷类别包括：
Scratch（划痕）
Bubble（气泡）
Surface Imperfection（表面瑕疵）
标注方式采用 目标检测框（Bounding Box），为后续训练提供监督信息。
项目采用 YOLO 系列目标检测模型（轻量化、实时性强），其优势在于：
单阶段检测，推理速度快；
对小尺寸缺陷具有较好识别能力；
易于在工业 PC 或边缘设备部署。
训练流程包括：
图像尺寸统一与数据增强；
使用已标注数据进行监督训练；
评估不同缺陷类别的识别准确率；
导出最优权重用于部署。
以下为项目中 AI 推理流程的核心思路解析（不涉及完整源码，仅解释关键逻辑）。
作用说明：
读取 UV 条件下采集的塑料表面图像；
统一图像尺寸，确保模型输入一致；
自动完成基本预处理（缩放、归一化）。
工程意义：
加载已训练完成的最优模型权重；
支持在 CPU 或 GPU 上运行；
为现场检测提供即插即用能力。
模型输出包含多个候选检测框；
通过 NMS（非极大值抑制） 去除重叠与低置信度结果；
保留最可信的缺陷检测框。
功能说明：
在原始图像上绘制缺陷位置；
显示缺陷类别与置信度；
可直接用于产线显示或质量判定。
UV 光学增强 + AI 识别，提高微小缺陷可检测性；
模型训练与推理流程清晰，易复现；
硬件结构简单，适合低成本部署。
塑料外壳外观检测；
注塑件表面质量分级；
消费电子、汽车内饰、工业零件外观检测。
该项目展示了一种 结合光学手段与深度学习的实用型工业检测方案。通过 UV 曝光提升缺陷对比度，再利用 AI 模型完成自动识别，不仅降低了人工检测成本，也为传统机器视觉难以处理的塑料表面缺陷提供了新的工程路径。
从系统架构到算法实现，该方案具备良好的可扩展性，适合作为 工业 AI 视觉检测的入门与原型参考设计。
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
