当手机屏幕在生产线上快速滑过，传统人工质检需用放大镜逐个检查是否有微米级划痕，漏检率高达15%。如今，3D视觉技术正让这一场景成为历史，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，指出当前方法在复杂曲面检测中准确率达95%，但面临数据稀缺、计算成本高等挑战。研究首次提出三大突破方向：大语言模型辅助、多模态数据融合、3D基础模型构建，为制造业全自动质检提供“技术路线图”。

从“盲人摸象”到“立体透视”：3D点云如何改变质检逻辑？

传统2D图像质检如同“盲人摸象”，只能捕捉平面信息，对凹陷、裂纹等立体缺陷识别率不足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”，连0.02毫米的微小变形都能精准捕捉。例如，在航空发动机叶片检测中，它能将人工漏检率从15%降至1%以下，“每个点的坐标误差不超过5微米，相当于头发丝直径的1/14”。

但这项技术仍面临“三大拦路虎”：非结构化点云数据难以处理（如同散乱的乐高积木无法直接拼接）、异常样本稀缺（制造业中不足1%，如同大海捞针）、缺陷类型多样且分布稀疏（如针尖大小的气孔）。

AI“三派武功”各显神通，但都有“软肋”

论文将现有技术分为三大类，各有擅长领域也各有局限。监督学习派如同“科班出身”，需大量标注样本训练，PointNet系列模型在金属3D打印检测中准确率达91.3%，但标注一个点云样本成本是2D图像的10倍，“制造业中异常样本太少，AI学不到足够‘坏例子’”。

无监督学习派是“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，在MVTec3D数据集上AUPRO（区域重叠指标）达0.924，但对涡轮叶片等复杂曲面误检率仍有8%，“就像认错双胞胎，长得太像就分不清”。

无训练派更颠覆，无需样本直接检测。基于CAD模型比对的方法，通过扫描点云与设计图纸“对齐”，在3D打印零件检测中DICE系数（重叠度）达0.993，但依赖精确的CAD模型，“没图纸就抓瞎”。

未来怎么突破？三大方向让AI“更聪明”

研究团队指出，工业质检的下一个突破口在三方面。多模态融合如同“给AI配多感官”，将3D点云与2D图像、红外热成像结合，CPMF方法通过这种方式在MVTec3D数据集上I-AUROC（分类指标）达0.952，误检率降低40%，“就像同时用眼睛看、用手摸，缺陷无所遁形”。

大语言模型辅助是新思路。利用LLM解析制造标准文档（如ISO公差规范），指导AI识别“合格产品长什么样”，减少对标注数据的依赖。但目前3D基础模型仍是空白，“就像让画家只学过素描，突然要画油画”。

实时检测技术是工厂刚需。现有方法处理百万级点云需GPU运行10分钟，而生产线要求每秒30帧检测。团队提出“动态降采样”技术，在保证精度的前提下提速5倍，“相当于从高清电影压缩成短视频，关键细节不丢失”。

离“黑灯工厂”还有多远？

这项研究为制造业质检自动化提供了清晰路径。目前，基于Transformer的TransPCNet模型已在 sewer defect检测中实现每秒30帧实时检测，比人工快5倍；多模态融合技术则让芯片封装缺陷检出率提升至99.9%。

“未来三年，3D视觉质检有望在汽车、航空领域普及。”团队预测，但全面替代人工还需突破3D基础模型和低成本传感器瓶颈。

来源: 工程管理前沿