苹果手表内框检测,在项目试运行阶段,曾出现内框边角细微裂纹漏检的问题,导致部分不合格产品流入下一道工序。针对这一情况,我主导分析了漏检原因,发现是由于边角光线反射不均匀,使得裂纹特征不明显。随后,通过优化光源布局,采用多角度环形补光方案,增强裂纹区域与周围表面的对比度;同时,改进深度学习模型的训练样本,增加边角裂纹的样本数量,并调整模型的卷积核参数,提高对细微特征的提取能力。经过优化后,该类裂纹的检出率从原来的 82% 提升至 99.7%,彻底解决了漏检问题,得到了生产部门的高度认可。
苹果电脑检测项目 ,在项目实施过程中,遇到了苹果电脑外壳新材质表面反光特性与以往不同,导致常规瑕疵检测算法失效的难题。我带领技术团队深入研究新材质光学特性,创新性地提出了偏振光与漫反射光组合照明方案,有效消除反光干扰;同时,对深度学习模型的网络结构进行优化,增加注意力机制模块,强化模型对新材质表面细微瑕疵特征的捕捉能力。经过一系列优化后,新材质外壳瑕疵检测准确率从最初的 75% 迅速提升至 99.5%,成功解决了这一关键问题