PROJECT BACKGROUND
一次性手套的下游应用集中在食品加工、医疗护理等卫生敏感行业，外观缺陷会带来批量返工与召回风险。客户原有产线采用人工抽检方式，存在节拍受限、人员经验差异大以及漏检率难以稳定控制等问题，随着近期产能的进一步扩张，引入自动化外观检测方案被正式提上议程。
围绕产线节拍与品控要求，客户希望将检测环节由人工抽检转变为对每只成品手套进行全量视觉检测，以降低漏检风险并提升整体品控水平。
项目挑战
手套材质柔软、表面反光特性复杂，成品外观缺陷在尺度、形态与位置分布上具有较强的随机性，难以通过有限的规则与阈值进行完整覆盖。常规基于规则的传统机器视觉方案在面对多样化缺陷时，往往难以兼顾识别覆盖度与产线节拍效率。
同时，产线对单件检测耗时提出了较高要求，检测算法需要在保证识别准确性的同时，控制整体推理时间以匹配产线节拍，因此需借助具备较强特征学习能力的检测手段协同应对。
缺陷分类标准
现场梳理出的外观缺陷按严重程度分为严重、重要、轻微三个等级，涵盖破损、油污、杂点、卷边、粘连、异色六大类别。不同等级对应不同的处置策略，系统需在此基础上实现自动判别与分类输出。
- 破损与卷边：尺寸与形态差异大，需兼顾宏观结构异常与细微边缘瑕疵
- 油污与异色：颜色特征复杂，需区分污染程度与色差范围
- 杂点与粘连：目标尺度跨度宽，从毫米级颗粒到区域性粘连均需覆盖
缺陷的多样性决定了检测方案必须具备良好的泛化能力，单一阈值或模板难以覆盖全部场景。
解决方案
团队结合现场成像条件与缺陷分布特征，构建了多层次协同的视觉检测流程，按识别对象的粒度将检测任务拆分为多个层级进行处理。
在整体层，先对大幅度异常进行整体性识别，将明显不合格品快速过滤，避免其对后续判断造成干扰；在工件层，对单只手套的位置与轮廓进行稳定提取，为细节层检测建立参考基准；在细节层，对表面局部异常进行识别，捕捉各类细小的外观瑕疵，并同步输出缺陷分类与位置信息。
具体实施中，采用绿色工具对大幅缺陷进行初筛，将转向、未脱落、空件等明显异常快速排除；随后通过红色工具定位单只手套整体区域，再利用另一红色工具对表面细微缺陷进行逐点扫描与分类识别。
整套方案在现场采集的真实样品数据上进行了多轮验证与迭代，最终沉淀出一套能够覆盖多种缺陷形态且与产线节拍相匹配的检测流程。
项目成果
方案上线后，外观缺陷检测系统在客户产线稳定运行，覆盖了主要的典型外观缺陷类型，替代了原有的人工抽检环节，为全线品控提供了持续、可量化的判断依据。
系统对每件成品进行全量检测，并输出缺陷分类与位置信息，便于后段工序的分拣与处理。同时，每只手套均留有完整检测记录，便于后续质量追溯与责任界定。