技术选型指南无损检测
工业视觉 vs 工业声学检测：能力边界与选型指南
结论先行：工业视觉检测「看得见的缺陷」（外观、静态），工业声学检测 「听得到的缺陷」（内部、动态）。两者能力互补而非替代——异音类、动态类缺陷 视觉检测不到，外观类缺陷声学检测不到。选型应先判断缺陷类型，再匹配技术路线。
核心能力对比
| 维度 | 工业视觉检测 | 工业声学检测 |
|---|---|---|
| 检测对象 | 外观缺陷：划痕、缺料、毛刺、装配偏移、印刷/贴标错误 | 内部与动态缺陷：轴承异音、齿轮啮合不良、电机换向噪声、卡滞、松动、气隙不均 |
| 技术原理 | 面阵/线阵相机 + 光源，图像处理与深度学习目标检测/分类 | 近场拾音传感器 + 声纹特征提取（FFT/MFCC）+ SVM/CNN 声学判定 |
| 对缺陷的感知 | 只能看到「表面」与「静态」；被遮挡的内部结构无法感知 | 感知「声音」即运行状态；内部结构问题通常伴随特征性声纹变化 |
| 适用工况 | 对光照、遮挡敏感，需要稳定打光环境与清洁视窗 | 对车间背景噪声敏感，需要近场采集与信噪比处理；对光照无要求 |
| 单件检测速度 | 毫秒~秒级，取决于视野、分辨率与算法复杂度 | ≤5 秒/件可覆盖绝大多数产线节拍；采集时长决定下限 |
| 设备成本（单工位） | 相机+光源+工控机，视觉方案综合成本通常高于声学方案 | 拾音传感器+边缘计算单元，硬件成本低，主要成本在样本与模型 |
| 实施周期 | 标准算法库成熟，常规缺陷 2-6 周可上线 | 需采集真实产线样本训练，首条线通常 4-8 周 |
| 误检/漏检控制 | 外观缺陷误检可通过打光与算法调优控制 | 阈值+置信度双保险，低置信度进入人工复核回流训练，持续下降 |
| 数据与可追溯 | 保留图像记录，可追溯外观缺陷 | 保留声纹波形记录，可复听复判，追溯内部缺陷根因 |
| ROI 参考 | 适合大批量外观检验，替代人工目检 | 适合异音/动态类缺陷全检，替代人工听音，消除漏检索赔风险 |
四步选型决策
1
缺陷是否与「声音」直接相关？
轴承异音、齿轮啮合、电机换向、卡滞松动——这些动态缺陷首选声学。
2
缺陷是否在外观表面？
划痕、缺料、毛刺、装配偏移——这些外观缺陷首选视觉。
3
环境是否允许？
车间噪声大但有近场采集条件→声学；需要稳定打光与洁净视窗→视觉。
4
预算与周期？
硬件预算低、可接受 4-8 周模型训练→声学；需要快速上线标准检测→视觉。
组合使用建议
对总成类产品（如座椅电机、转向器），推荐「视觉检外观 + 声学检异音」组合：视觉工位在前拦截外观缺陷， 声学工位在后检测内部与动态缺陷，形成完整在线全检闭环，兼顾两类缺陷覆盖。
高频问题
工业声学检测能检测哪些汽车零部件缺陷？
主要覆盖异音与动态类缺陷：转向器、制动器、减震器、座椅电机、雨刮电机、玻璃升降器等总成的轴承异音、齿轮啮合不良、换向噪声、卡滞与装配松动。检测节拍 ≤5 秒/件，准确率 >99.5%（训练充分后）。
声学检测会替代工业视觉检测吗？
不会。两者能力互补：视觉管外观与静态缺陷，声学管内部与动态缺陷。同一产线可组合使用，例如视觉检外观、声学检异音，形成完整的在线全检闭环。
声学检测对环境噪声敏感吗？
对车间背景噪声敏感，但可通过近场拾音、指向性采集与信噪比处理解决。方案设计阶段会做现场声学可行性测试，验证目标缺陷声纹与背景噪声可分性后再立项。
产线上合格/不合格样本不均衡怎么办？
声学方案通过 SVM 低样本基线 + CNN 深度建模双引擎解决小样本问题；同时采用阈值+置信度双保险，低置信度结果进入人工复核回流训练集，实现边用边学。
不确定选型？先做声学可行性测试
带上典型合格/不合格样品，我们可现场采集声纹样本并给出可分性评估报告，1-2 个工作日即可完成初判。