螺絲這東西，便宜的時候幾分錢一顆，沒人當回事。但真出了問題，代價可能是它的幾千倍。

我們有個做汽車緊固件的客戶，前年出過一次事：一批螺絲發去主機廠，裝配時發現有幾十顆螺紋爛牙，擰不進去也退不出來，最后整批兩萬多顆全部退回分揀，運費、返工費、客戶罰款加起來十幾萬。而這批螺絲的貨款，還不到兩萬。

從那以后，客戶鐵了心要上螺紋視覺檢測。今天聊聊螺絲檢測這件事，以及我們在實際項目里的做法。

 螺絲檢測，難的不是看得見的缺陷

螺絲的檢測項說起來大家都熟：頭部直徑、對邊寬度、桿徑、長度、螺紋中徑、螺距、牙型角，還有頭部開裂、缺料、毛刺、鍍層不良這些外觀缺陷。

但真正難的是螺紋部分。為什么？

螺紋是螺旋面，普通相機拍不全。 你從正面拍，只能看到一兩圈牙，后面的被擋住了；從側面拍，牙型輪廓又被壓縮了。要完整評估螺紋質量，要么用多相機環繞拍攝，要么用特殊光學方案把螺旋面展開。

缺陷形態多且細微。 爛牙、滑牙、缺牙、牙尖變形、螺紋內有異物 —— 每種缺陷的表現都不一樣，而且可能只發生在某一圈的某個位置，人工用螺紋環規檢，能通能止就算過，但中間有沒有半圈壞牙，環規告訴你不。

產量大，人工全檢不現實。 螺絲廠一天出貨幾十萬顆，就算一個熟手一分鐘檢 50 顆，一天 8 小時也才兩萬多顆，得多少人？而且檢螺紋是精細活，眼睛盯久了效率和準確率雙雙跳水。

 我們的方案怎么干

針對螺絲檢測，我們通常用轉盤式光學篩選機，核心是三件事：上料、成像、算法。

上料要穩。 螺絲小、形狀不規則，用振動盤排序上料，逐個送到轉盤工位。轉盤上有精密夾具，保證每顆螺絲的姿態一致 —— 頭朝哪、桿朝哪、高度多少，全部固定，這樣拍出來的圖像才有可比性。

成像是關鍵。 我們根據檢測項配置多組相機和光源：

 頂部相機拍頭部外觀：開裂、缺料、鍍層、十字 / 內六角槽形

 側面相機拍桿部尺寸和螺紋輪廓：桿徑、長度、螺紋中徑、螺距

 配合低角度環形光和同軸光，把牙尖和牙底的明暗對比打出來，爛牙缺牙在畫面里一目了然

 對于需要全周檢測的螺紋，用棱鏡或多相機環繞，把 360 度的牙型都覆蓋到

檢測精度做到 ±0.005mm，螺距誤差、牙型角偏差都能量化輸出，不是簡單的 "過 / 不過"。

算法分兩路。 尺寸類（桿徑、長度、頭部尺寸）用傳統視覺算法，速度快、穩定；缺陷類（爛牙、缺牙、開裂、鍍層不良）用 AI 深度學習模型，把各種不良樣本訓練進去，不管缺陷出現在哪一圈、什么形態，都能穩定識別。

分揀要細。 不良品不是籠統丟一個盒子，而是按缺陷類型分 —— 爛牙的、尺寸超差的、頭部開裂的，各歸各的。客戶拿到分揀結果，一看就知道是搓牙機的問題還是打頭機的問題，直接回溯工藝。

上線后什么變化

還是說回那個汽車緊固件客戶。上了兩臺轉盤篩選機后：

 檢測效率：單臺每分鐘 600 顆，兩臺 1200 顆，一天滿產能跑 50 萬顆，原來 8 個人的終檢崗現在 1 個人看設備

 漏檢率：上線后客戶零投訴，主機廠的 PPM 從之前的幾百降到個位數

 誤判率：初期約 0.5%，經過兩個月持續加樣本訓練，降到 0.2% 以下

 工藝改善：因為不良品按類型分揀，客戶發現某臺搓牙機爛牙率偏高，檢修后整體不良率降了 40%

 數據追溯：每顆螺絲的檢測圖像自動存檔，客戶審廠要什么數據直接調

客戶質量總監說了句大實話："以前是出貨后心驚膽戰，現在是出貨前心里有底。"

 幾句實在話

做了不少螺絲和緊固件檢測項目，有幾點體會：

1. 別只看 "能檢"，要看 "檢得多細"。 螺紋檢測最容易縮水 —— 有些方案只檢通止，不檢中間牙型。一定要拿來樣實測，看清楚到底覆蓋了哪些檢測項。

2. 上料穩定性決定設備稼動率。 螺絲形狀千差萬別，自攻釘、機螺釘、鉆尾釘、臺階釘，上料方式都不一樣。方案階段就要把上料跑通，別等設備到了現場才發現卡料。

3. AI 模型需要養。 上線初期誤判率高是正常的，把設備誤判的樣本收集回來繼續訓練，一兩個月后準確率會明顯提升。這個過程省不得。

螺絲雖小，但它是很多產品的 "筋骨"。緊固件出問題，輕則返工，重則安全事故。把檢測做在前面，不是成本，是保險。

如果你也在做螺絲、螺母或其他緊固件，被螺紋檢測和品質追溯困擾，歡迎留言聊聊你的產品和要求，或者寄樣過來免費測一輪，用數據說話。