在芯片制造车间，一颗0.1毫米的划痕可能导致整个批次报废；在航空发动机检修中，人工肉眼检查叶片裂纹的漏检率高达15%。如今，3D视觉技术正成为制造业的“质检神器”，但如何让AI精准“看懂”复杂表面的微小缺陷？香港科技大学（广州）团队在《Frontiers in Engineering Management》发表综述，系统梳理了基于3D点云数据的异常检测技术，指出深度学习方法（如PointNet、Transformer）准确率可达95%，但面临数据稀缺和计算成本高的挑战。研究呼吁结合大语言模型和多模态数据，推动工业质检向“全自动、高精度”升级。

从“拍照片”到“CT扫描”：3D点云为何成质检新宠？

传统制造业质检依赖2D图像，如同“拍照片”判断表面缺陷，易受光照、角度影响，对凹陷、裂纹等立体异常识别率不足70%。而3D点云技术通过激光扫描生成数百万个三维坐标点，相当于“给产品做全身CT”，能捕捉深度、曲率等几何细节，即使在暗环境或复杂纹理表面也能精准定位缺陷。

“3D点云就像给产品建了个数字孪生模型，每个点的坐标误差不超过5微米。”研究团队解释，这种技术已用于航空发动机叶片、高铁轨道等精密部件检测，将传统人工漏检率从15%降至1%以下。但它也面临“三大拦路虎”：非结构化点云数据难以处理、异常样本稀缺（制造业中不足1%）、缺陷类型多样且分布稀疏（如针尖大小的气孔）。

AI“三招”攻克检测难题：监督学习、无监督学习与“零训练”模式

论文将现有技术分为三大类，各有“看家本领”。监督学习如同“师傅带徒弟”，AI通过标注好的正常/异常样本学习。例如，PointNet系列模型通过多层感知机处理点云数据，在金属增材制造检测中准确率达91.3%。但它依赖大量标注数据，而制造业中异常样本往往“一图难求”，如同“大海捞针”。

无监督学习则让AI“自学成才”，只需正常样本即可训练。记忆库方法（如BTF）通过存储正常表面特征，遇到差异超过阈值的区域就报警，在MVTec3D数据集上AUPRO（区域重叠曲线下面积）达0.924，相当于“记住所有正常面孔，陌生面孔一出现就报警”。不过，这类方法对涡轮叶片等复杂曲面的误检率仍有8%。

无训练方法更颠覆，无需任何样本就能检测。例如，基于CAD模型比对的方法，通过将扫描点云与设计图纸“对齐”，偏差超过0.02毫米即判定为缺陷，已用于3D打印零件检测，DICE系数（检测重叠度）达0.993，相当于“用设计图当模板，哪里不对一目了然”。

现实挑战与未来破局：数据少、计算慢，多模态融合是关键

尽管技术先进，3D视觉质检仍面临“两重山”。一是数据稀缺，标注一个包含10万个点的点云样本需3小时，成本是2D图像的10倍；二是计算昂贵，处理百万级点云需GPU运行10分钟，难以满足生产线实时检测需求。

研究指出，多模态融合是突破口：将3D点云与2D图像、红外热成像结合，如同“给AI配了眼睛和温度计”，可提升复杂缺陷（如内部空洞）的检出率。例如，CPMF方法融合2D图像特征与3D几何信息，在MVTec3D数据集上I-AUROC（分类指标）达0.952，误检率降低40%。

未来，大语言模型（LLM）或成“新帮手”。通过解析制造标准文档（如ISO公差规范），LLM可指导AI识别“什么是合格产品”，减少对标注数据的依赖。但目前3D基础模型仍空白，如何将2D预训练模型（如ResNet）迁移到3D领域，仍是待解难题。

来源: 工程管理前沿