最近一直在研究工業(yè)視覺檢測這東西到底能替人工做多少事先說結(jié)論在我接觸過的項目里一套成熟的視覺檢測方案在特定場景下替代 80% 以上的人工目檢崗位是完全現(xiàn)實的有些產(chǎn)線上甚至能做到 95% 以上。但這不是說機器把人“干掉”了而是把人從重復(fù)、枯燥、容易疲勞的崗位挪到了更有價值的工位上。我最早接觸工業(yè)視覺檢測是幾年前幫一家汽配廠做活塞環(huán)的外觀分選。當時車間里十幾個阿姨坐在燈光下拿放大鏡一枚一枚看一天下來每人要看五六千個零件。漏檢率控制在 3% 以內(nèi)就謝天謝地了。后來上了視覺檢測方案漏檢率直接干到 0.2% 以下速度還翻了一倍。那次項目之后我就意識到這玩意兒不是簡單的“相機電腦”而是一套融合了光學(xué)、機械、算法、數(shù)據(jù)管理的系統(tǒng)工程。這篇就結(jié)合我這些年的項目經(jīng)驗從原理到選型從部署到避坑把工業(yè)視覺檢測這件事一次說透。想引入這套技術(shù)的人或者剛開始接觸視覺檢測的工程師應(yīng)該能從里面拿到不少可以直接用的東西。1. 工業(yè)視覺檢測到底在做什么說白了就是給機器裝上“眼睛和大腦”1.1 人工目檢的痛點恰恰是視覺檢測的機會窗口先說一個很多人容易忽略的事實人的眼睛并不適合長時間做重復(fù)性的精密觀察。我查過一些工業(yè)人因工程的數(shù)據(jù)一個熟練的質(zhì)檢員在連續(xù)工作 30 分鐘之后漏檢率就開始明顯爬升到下班前那一個小時所謂的“全檢”其實已經(jīng)退化成了“抽檢”。這不是工人不負責(zé)是人的生理極限擺在那里。具體痛點拆開來看疲勞導(dǎo)致的漏檢率波動短期靠管理手段根本壓不住人眼對灰度差異的敏感度有限很多細微缺陷比如微裂紋、淺劃傷本來就超出了肉眼分辨極限人工檢測的標準一致性差同一個缺陷白班師傅說合格夜班師傅說報廢客訴一來就扯皮人員流動大培訓(xùn)周期長老師傅一走質(zhì)量標準也跟著走而這幾個痛點恰好都是視覺檢測的強項。工業(yè)視覺檢測的核心邏輯就一句話用相機代替人眼“看”用算法代替大腦“判”最后連同機械機構(gòu)一起完成“分選動作”。它不累、不困、不情緒化標準一旦固化下來就是一刀切到底的穩(wěn)定輸出。1.2 視覺檢測系統(tǒng)的三大核心組件缺一不可很多剛接觸這個領(lǐng)域的人以為視覺檢測就是買個好相機接上電腦跑個算法就行真不是這么簡單。一套完整的工業(yè)視覺檢測系統(tǒng)至少包含三個部分而且這三部分必須協(xié)同設(shè)計缺一個后面的效果都會大打折扣。成像單元光源、工業(yè)相機、鏡頭。它的任務(wù)是“讓缺陷看得見”。這里面的水非常深光源的角度和顏色、相機的分辨率與幀率、鏡頭的工作距離每一樣都會直接影響最終檢測效果。我見過太多項目死在成像環(huán)節(jié)——算法再強拍出來的圖里根本沒有缺陷特征也只能干瞪眼。圖像處理單元工控機或者嵌入式處理器加上視覺算法軟件。它的任務(wù)是“從圖像里找到缺陷并分類”。傳統(tǒng)方案用 Halcon、VisionPro、OpenCV 這些工具做特征提取現(xiàn)在越來越多的方案引入深度學(xué)習(xí)用小樣本訓(xùn)練也能達到不錯的檢出率。執(zhí)行與通信單元PLC、氣缸、剔除機構(gòu)、工業(yè)網(wǎng)絡(luò)。檢測結(jié)果最終要落地成動作——合格的流走不合格的吹掉或推掉還要把數(shù)據(jù)傳給 MES 系統(tǒng)做追溯。如果只“判”不“動”那這套系統(tǒng)就是個擺設(shè)。這三塊的關(guān)系我習(xí)慣用一句話跟客戶解釋成像單元是眼睛算法是大腦執(zhí)行機構(gòu)是手。人干活需要眼腦手配合機器也一樣。1.3 視覺檢測能做什么一張表看清應(yīng)用邊界視覺檢測看似萬能但其實有非常明確的適用邊界。我做了那么多項目之后會把工業(yè)視覺檢測的應(yīng)用分成四類每一類的實現(xiàn)難度和對算法的要求都不一樣檢測類型典型場景實現(xiàn)難度核心算法尺寸測量零件長寬高、孔徑、螺紋中徑中邊緣提取、亞像素擬合外觀缺陷劃傷、臟污、壓傷、缺料高深度學(xué)習(xí)、灰度形態(tài)學(xué)定位引導(dǎo)機械臂抓取定位、對位組裝中高模板匹配、手眼標定OCR/條碼識別讀DPM碼、打印字符驗證中字符分割、深度學(xué)習(xí)OCR外觀缺陷是視覺檢測里公認最難的一類因為“缺陷”本身是個非常模糊的概念——同樣的劃痕在磨砂面上看不見在高光面上就很明顯同一個壓傷角度一換就時有時無。這也是為什么現(xiàn)在深度學(xué)習(xí)在工業(yè)視覺里越來越吃香因為傳統(tǒng)算法在處理這類“只可意會不可言傳”的特征時真的不如人腦而深度學(xué)習(xí)正好是從大量樣本里自己學(xué)特征。但有一點必須潑盆冷水深度學(xué)習(xí)也不是萬能的。它需要樣本大量經(jīng)過標注的合格品和不合格品樣本。而且它學(xué)的是“你給它看的樣本的特征分布”樣本沒覆蓋到的情況它照樣漏檢。所以真正靠譜的做法是傳統(tǒng)算法和深度學(xué)習(xí)結(jié)合使用各管一段。2. 成像方案怎么選光源和相機的選型是地基中的地基2.1 光源設(shè)計一半以上的檢測項目成敗都在這一步我經(jīng)常跟團隊里的新人說一句話視覺檢測這個行當算法決定上限光源決定下限。光源打得不好后面算法做得再漂亮也是給爛地基貼金磚。光源的主要作用不是“照亮零件讓人看得清”而是“讓缺陷和背景產(chǎn)生足夠的對比度”。這里有個很經(jīng)典的例子檢測透明玻璃瓶的裂紋用普通白光從正面打裂紋幾乎看不見換成分光鏡加偏振光裂紋直接變成一道亮線肉眼都能看到。這就是光源角度、波長、偏振狀態(tài)帶來的差異。實操中我常用的光源類型和適用場景如下環(huán)形光源環(huán)形無影光最常用的通用光源適合表面紋理、字符識別配合漫射板能有效消除反光條形光源低角度打光適合劃傷檢測。光線從側(cè)面以很小的角度照射劃痕的凹凸邊緣會把光反射到相機里形成高亮特征同軸光源適合高反光表面金屬鏡面、晶圓、玻璃通過半透半反鏡讓光線垂直照射避免環(huán)境光干擾背光源面光源適合輪廓測量和透明物體雜質(zhì)檢測物體在亮背景下呈現(xiàn)清晰的黑色剪影穹頂光源球積分光源適合球形或曲面物體光從四面八方照射均勻度最好選光源時還有一個特別容易踩的坑忽略了環(huán)境光的干擾。產(chǎn)線上往往有照明燈、窗外自然光、設(shè)備指示燈這些雜亂的光線如果沒擋住會導(dǎo)致同一個零件白天拍和晚上拍效果差一大截。我的做法是檢測工位必須做遮光處理然后用固定色溫的光源、固定曝光時間拍攝把變量控制到最少。2.2 相機選型別只看像素幀率和靶面尺寸同樣關(guān)鍵相機選型是工業(yè)視覺里的經(jīng)典問題。很多第一次做項目的人上來就問“我要多少像素的相機”這個問題本身就有誤導(dǎo)性因為像素只是衡量相機能力的眾多參數(shù)之一。真正的選型邏輯是這樣的第一步根據(jù)精度要求反推分辨率。舉例來說我要檢測一個 50mm × 40mm 的零件要求能分辨 0.1mm 的微小缺陷。按照工業(yè)視覺的工程慣例一個缺陷至少要在圖像里占到 3×3 個像素才靠譜。這樣算下來X 方向像素數(shù) 50mm / 0.1mm × 3 1500Y 方向 40mm / 0.1mm × 3 1200。考慮到邊緣留白和定位余量我會直接推薦 500 萬像素級別的相機保證實際像素密度是需求的兩倍以上。第二步根據(jù)產(chǎn)線節(jié)拍選幀率。產(chǎn)線要求的節(jié)拍是每分鐘 120 個零件那每個零件的檢測時間就是 0.5 秒。剔除機構(gòu)動作要 0.1 秒算法處理要 0.2 秒留給相機采圖的時間只有 0.2 秒。如果一次檢測要拍 3 張圖每張圖的間隔就不能超過約 0.067 秒也就是相機幀率至少得 15fps。這個賬一定要提前算清楚不然方案做出來節(jié)拍跟不上整個產(chǎn)線都得跟著返工。第三步根據(jù)環(huán)境選相機類型。穩(wěn)定光源環(huán)境下優(yōu)先用全局快門 CMOS 相機它不像卷簾快門那樣拍運動物體時會產(chǎn)生“果凍效應(yīng)”。還要看靶面尺寸同樣 500 萬像素1/2.5 英寸和 2/3 英寸的靶面感光靈敏度、視野范圍、鏡頭匹配邏輯都不一樣不是隨便配個 C 口鏡頭就能用的。2.3 一個典型項目的成像方案配置參考拿我之前做過的鋰電池極片劃痕檢測項目舉例這個項目的成像配置可以作為同類項目的參考模板檢測對象鋰電池極片涂布表面幅寬約 300mm運行速度約 1m/s相機4K 線掃相機配合編碼器觸發(fā)避免圖像拉伸變形鏡頭定焦工業(yè)鏡頭工作距離約 250mm視場剛好覆蓋極片全寬光源兩組低角度條形光分別從極片兩側(cè)打光讓劃痕產(chǎn)生明顯的陰影對比遮光整個檢測工位用鋁型材加遮光布包起來內(nèi)部用 DC 恒壓光源控制器這個方案跑起來之后0.02mm 寬度的淺劃痕都能檢測出來。當時客戶震驚于這個精度其實說白了就是光學(xué)方案選對了算法只是重度參與了分類那一步——劃痕、臟污、凹坑各有各的特征算法只需要做區(qū)分和判定。3. 檢測算法怎么落傳統(tǒng)視覺和深度學(xué)習(xí)的配合打法3.1 傳統(tǒng)算法穩(wěn)定可控適合有明確特征的檢測項工業(yè)視覺的算法體系里傳統(tǒng)圖像處理算法依然占據(jù)半壁江山。我說的傳統(tǒng)算法主要是這些灰度閾值分割、Blob 分析連通域分析、邊緣檢測Canny / Sobel、形態(tài)學(xué)處理腐蝕膨脹、開閉運算、模板匹配、幾何測量等。這些算法好在哪好在“可解釋、可控制”。它為什么判這個零件不合格你能清楚地指出來因為某個區(qū)域的灰度值超出了閾值 50因為某條邊到另一條邊的距離超差 0.03mm。客戶質(zhì)疑你的時候你能拿出具體的數(shù)據(jù)去解釋。以“尺寸測量”為例傳統(tǒng)算法的處理鏈路非常成熟采集圖像后先做標定把像素坐標映射到世界坐標通過直方圖分析確定分割閾值把目標區(qū)域從背景中分離出來用邊緣檢測算子提取關(guān)鍵輪廓對邊緣曲線做亞像素擬合把精度推到像素級以下計算兩點、兩線之間的距離輸出測量結(jié)果這條鏈路里每一步都有成熟的算法庫支持Halcon 里的 caliper 工具、OpenCV 里的 findContours都能直接調(diào)用。只要成像穩(wěn)定傳統(tǒng)算法的重復(fù)精度可以做到 ±0.01mm 甚至更高在多數(shù)尺寸檢測場景里完全夠用。3.2 深度學(xué)習(xí)搞定人工都難描述清楚的問題但傳統(tǒng)算法也有死活搞不定的場景比如我之前提到的外觀缺陷里那些“說不清道不明”的情況。一個鑄件表面到底算不算“粗糙”一個布料表面到底算不算“色差”你要給傳統(tǒng)算法定義規(guī)則規(guī)則本身就是模糊的。這時候深度學(xué)習(xí)就派上用場了。我常用的思路有兩種分類網(wǎng)絡(luò)把圖像或圖像分塊扔給一個分類模型讓它輸出“OK”或“NG”。這種方案最簡單對硬件要求也最低適合那些缺陷形態(tài)相對一致的場景。但是缺點是需要大量 NG 樣本訓(xùn)練而且模型只會告訴你“這東西不合格”不會告訴你“為什么不合格”。目標檢測/分割網(wǎng)絡(luò)比如 YOLO 系列做缺陷定位或者 U-Net、SegNet 之類做像素級分割。這種方案能看到缺陷在圖像中的具體位置和形態(tài)后期排查問題和分析缺陷成因都很方便也便于做數(shù)據(jù)統(tǒng)計。缺點是訓(xùn)練和推理更耗時調(diào)參門檻更高。3.3 數(shù)據(jù)標注怎么做才高效我的實戰(zhàn)經(jīng)驗深度學(xué)習(xí)模型的性能上限很大程度由標注數(shù)據(jù)的質(zhì)量決定。這個領(lǐng)域有個共識你給模型喂多少張標注圖決定它能學(xué)到什么程度。我的做法是項目啟動初期先跟客戶一起定一個“缺陷分級標準”——哪些缺陷必須判 NG哪些可以容忍哪些屬于爭議區(qū)。然后在這個標準下標注第一批 500-1000 張代表性樣本跑一版初版模型。這版模型往往不完美但可以讓它跑在真實產(chǎn)線上收集誤報和漏報——這時候產(chǎn)線工程師配合著點“誤報”“漏報”按鈕這些反饋數(shù)據(jù)再補充進訓(xùn)練集迭代兩三輪之后模型的準確率提升會非常明顯。這個過程行業(yè)內(nèi)叫“主動學(xué)習(xí)閉環(huán)”是我在所有深度學(xué)習(xí)視覺項目里都會堅持做的流程。還有個小技巧不要只標缺陷樣本。有些剛?cè)胄械娜艘詾樯疃葘W(xué)習(xí)嘛把 NG 樣本丟進去訓(xùn)練就行結(jié)果模型上線后瘋狂誤報。原因很簡單——模型沒學(xué)過“正常的但長得像缺陷”的樣本是什么樣。所以標注時要保證 OK 樣本和 NG 樣本都有足夠的量最好還有那種“看起來像缺陷但其實是合格”的困難正樣本。這類樣本對抑制誤報特別有效。4. 節(jié)拍、精度、穩(wěn)定性——從實驗室到產(chǎn)線的三個門檻4.1 節(jié)拍計算方案能不能用先算這筆時間賬從實驗室到產(chǎn)線第一個攔路虎永遠是節(jié)拍。實驗室里跑得再聰明的算法到了產(chǎn)線上每秒鐘要處理 3 個工件處理不過來一切白搭。節(jié)拍預(yù)算要拆得足夠細相機曝光時間通常 1-5 毫秒圖像傳輸時間GigE 接口傳一張 500 萬像素圖約 30-50 毫秒算法處理時間傳統(tǒng)算法 20-80 毫秒深度學(xué)習(xí)推理 20-100 毫秒取決于硬件判定與通信時間給 PLC 發(fā)結(jié)果 10-20 毫秒剔除機構(gòu)動作時間氣缸響應(yīng) 50-100 毫秒我之前做過一個注塑件全檢項目客戶要求節(jié)拍 3.5 秒/件聽起來很寬松對吧但一個件要檢測 6 個面每面拍 3 張不同光源下的圖片一共 18 張圖單張圖的處理預(yù)算只有 100 多毫秒這個壓力就不小了。最后是用多相機并行采集 GPU 加速深度學(xué)習(xí)推理才把節(jié)拍壓到了 3.2 秒。所以我一直強調(diào)節(jié)拍計算一定要在方案設(shè)計階段做等軟件寫完了才發(fā)現(xiàn)跑不動那就不是改代碼的事兒了是整套硬件方案得推翻重來。4.2 精度驗證GRR 怎么做怎么跟客戶對齊標準工業(yè)視覺項目驗收最怕的就是“精度”這個詞的定義沒對齊?？蛻粽f“我要精度 0.05mm”你說“我們能做到”然后驗收時吵得不可開交——因為客戶說的是測量值和三坐標結(jié)果的誤差你說的是系統(tǒng)重復(fù)測量同一零件的標準差。這里我強烈建議大家引入測量系統(tǒng)分析里的 GRR量具重復(fù)性與再現(xiàn)性方法來做精度驗證。簡單說就是選取 10 個有代表性的零件3 個不同操作者或者同一個視覺系統(tǒng)分 3 個時間批次每個零件各測 3 次然后計算方差分量看系統(tǒng)自身的重復(fù)性波動占整體波動的比例。GRR 的結(jié)果如果小于 10%說明這套系統(tǒng)的測量波動可以忽略可以放行10%-30% 說明可接受但需要改進超過 30% 就得回去查原因了——大概率是成像不穩(wěn)定或者定位機構(gòu)有間隙。這個方法論在汽車零部件行業(yè)是標配但很多小型制造企業(yè)根本沒用過。我在項目對接時通常會把 GRR 報告作為驗收文件的一部分提前說清楚這樣后面出分歧的概率會小很多。4.3 穩(wěn)定性24 小時連跑一個月魯棒性才是王道實驗室里能跑通、能調(diào)速不等于上了產(chǎn)線就能穩(wěn)定干一年。工業(yè)現(xiàn)場的惡劣程度很多人想象不到環(huán)境溫度震蕩 10-20 攝氏度相機傳感器噪聲跟著變動產(chǎn)線震動固定相機的支架位移 0.5mm視野偏了檢測區(qū)域就不對了光源老化衰減亮度掉了 20%原本清晰的缺陷特征開始變得模糊灰塵油污附著鏡頭和光源表面圖像質(zhì)量持續(xù)劣化這些問題不是單靠算法能解決的。我的經(jīng)驗是方案設(shè)計階段就要做“魯棒性規(guī)劃”所有光學(xué)組件用鎖死機構(gòu)固定加防松墊片杜絕位置漂移光源控制器選擇恒流型且?guī)щ娏鞣答伒牧炼绕瓶刂圃?2% 以內(nèi)機柜里加裝恒溫空調(diào)相機處于受控溫度環(huán)境每次開機跑自檢用標準件校驗圖像亮度和位置偏差超差就報警停機這些做下來系統(tǒng)穩(wěn)定性會有質(zhì)的提升。我見過太多項目死在“隔兩天要重新調(diào)一次參數(shù)”這件事上——產(chǎn)線工人不會調(diào)設(shè)備廠商工程師一叫就要隔天才能到中間停機損失全算在項目賬上。5. 上線實施與驗收的實戰(zhàn)記錄5.1 實施流程從技術(shù)驗證到正式量產(chǎn)的五步走以我做過的一個汽車密封圈外觀檢測項目為案例完整走一遍實施流程第一步前期打樣與可行性驗證。拿客戶提供的 200 個真假缺陷樣品搭建臨時視覺平臺驗證方案能穩(wěn)定捕獲并識別缺陷。這一步通常需要 3-7 天輸出樣品檢測報告和效果圖。這項測試非常關(guān)鍵——如果在打樣階段就失敗說明方向錯了及時換思路比硬著頭皮上劃算得多。第二步方案設(shè)計與軟硬件集成。根據(jù)打樣結(jié)果確定相機、鏡頭、光源型號設(shè)計機械安裝結(jié)構(gòu)編寫檢測程序開發(fā)人機交互界面。同時和客戶敲定接口協(xié)議——檢測結(jié)果通過什么方式傳給產(chǎn)線剔除信號怎么接。第三步離線調(diào)試。設(shè)備組裝完成后在非產(chǎn)線狀態(tài)進行全面測試用留樣產(chǎn)品反復(fù)測試統(tǒng)計漏檢率和誤檢率測試不同節(jié)拍下的處理能力模擬異常情況缺料、卡料、通信中斷看系統(tǒng)如何響應(yīng)。第四步在線試運行。設(shè)備接入產(chǎn)線后先不切換到自動剔除模式系統(tǒng)只做檢測和記錄輸出結(jié)果和人工檢測結(jié)果做比對。這個階段是積累信任的關(guān)鍵時期我會要求團隊把每天的比對數(shù)據(jù)保存下來做成報表發(fā)給客戶看。一般跑 2-4 周客戶看到數(shù)據(jù)趨勢穩(wěn)定才敢讓你切換自動剔除。第五步正式驗收與提產(chǎn)。連續(xù)運行 72 小時無故障、GRR 達標、漏檢率低于客戶要求簽署驗收報告。然后逐步提高產(chǎn)線運行速度讓設(shè)備在極限節(jié)拍下再做一輪穩(wěn)定性驗證。5.2 驗收指標怎么定才不會被坑驗收指標如果沒有在合同里寫清楚后面項目驗收就是一場“拉鋸戰(zhàn)”。根據(jù)我的經(jīng)驗有三個指標必須在方案階段就明確漏檢率該判為不合格但被判為合格的比率。這個直接影響質(zhì)量客戶盯得最緊。關(guān)鍵問題是“以什么為基準判定真不合格”——總得和被認可的人工檢測結(jié)果或者更精密的檢測設(shè)備對比。合同里我會寫“以雙方確認的標準樣品集為基準”。誤檢率合格品被判為不合格的比率。誤檢率太高會導(dǎo)致產(chǎn)線頻繁停機產(chǎn)線工人會怨聲載道最后設(shè)備被人為關(guān)掉。這個指標對項目成敗的影響不比漏檢率小。有效稼動率系統(tǒng)在產(chǎn)線生產(chǎn)時間內(nèi)能夠正常參與檢測的時間占比。要考慮相機清灰、程序重啟、日常維護等占用的時間。我當時做密封圈項目時合同里寫的是漏檢率 ≤ 0.2%誤檢率 ≤ 3%有效稼動率 ≥ 95%。跑下來實際數(shù)據(jù)是漏檢率 0.08%誤檢率 1.2%有效稼動率 97%——數(shù)字漂亮但如果沒有提前定好口徑驗收當天大概率還是要扯皮。6. 常見問題與排查技巧實錄6.1 誤檢率居高不下怎么排查誤檢率高是視覺檢測上線初期最常見的問題也是最容易讓人上火的問題。我自己的排查順序是這樣的第一步看圖像質(zhì)量。把系統(tǒng)判為 NG 的圖像全部導(dǎo)出來看一遍如果圖像里缺陷特征不明顯、亮度不均、噪聲嚴重問題大概率在成像端。先查光源有沒有衰減再查鏡頭表面有沒有臟污。第二步看判據(jù)邊界。很多誤檢是因為缺陷特征剛好落在合格/不合格的臨界區(qū)域算法判定閾值太嚴。這時候把閾值適當放松一點或者增加一個“介于邊緣”的復(fù)判區(qū)域——這種圖片自動存下來如果客戶不能接受自動放行可以設(shè)置人工復(fù)判工位。第三步看數(shù)據(jù)集分布。如果是深度學(xué)習(xí)模型誤檢很可能來自訓(xùn)練數(shù)據(jù)分布和現(xiàn)場數(shù)據(jù)不一致。這時候把現(xiàn)場的誤檢圖片收集起來補充到訓(xùn)練集里做增量訓(xùn)練一般跑一輪就會明顯改善。6.2 檢測結(jié)果時好時壞不穩(wěn)定是怎么回事“昨天還好好的今天一起床就說誤檢率飆升”這種問題現(xiàn)場出現(xiàn)過太多次了。典型的排查思路先看環(huán)境光變化昨天的天氣和今天不同窗戶附近的自然光角度變了。這就是為什么我一直強調(diào)要做遮光罩再看溫度車間空調(diào)晚上關(guān)了早上來了溫度高相機噪聲變大圖像特征產(chǎn)生微妙變化還要看機械定位夾具磨損、氣缸壓力波動、傳送帶抖動零件每次拍照的位置和角度不同檢測區(qū)域就會偏離。這也是我為什么要求光學(xué)系統(tǒng)固定必須用鎖死機構(gòu)最后是軟件層面內(nèi)存泄漏、緩存滿了、日志文件把硬盤塞滿了這些“軟件慢性病”也會讓系統(tǒng)運行越來越不穩(wěn)定6.3 深度學(xué)習(xí)模型在新產(chǎn)品型號上表現(xiàn)差怎么解決產(chǎn)線上最煩的就是“混線生產(chǎn)”——今天做 A 型號明天做 B 型號兩個型號的外觀差異還很大。深度學(xué)習(xí)模型在訓(xùn)練時沒見過 B 型號自然表現(xiàn)不好。解決策略通常有三個方向按型號分模型每個型號訓(xùn)練一個專屬模型運行時根據(jù) PLC 傳來的產(chǎn)品型號自動切換。效果最好但維護成本高訓(xùn)練樣本和模型文件都要按型號管理數(shù)據(jù)增強訓(xùn)練時對樣本做隨機旋轉(zhuǎn)、縮放、亮度變化、添加噪聲等處理提升模型對形態(tài)變化的適應(yīng)能力。這個方法不用增加樣本采集成本值得優(yōu)先嘗試域自適應(yīng)用大模型做底座新型號只要少量樣本就能微調(diào)適配。這兩年工業(yè)界流行預(yù)訓(xùn)練模型 小樣本微調(diào)的路子效果確實不錯但對團隊算法能力要求高6.4 一份經(jīng)驗沉淀常見問題速查表現(xiàn)象優(yōu)先檢查項常見根因解決建議誤檢率高圖像亮度/清晰度光源衰減、鏡頭臟污清潔光學(xué)組件定期標定漏檢率反彈缺陷樣本庫覆蓋度新型號/新缺陷未訓(xùn)練收集樣本增量訓(xùn)練檢測結(jié)果漂移環(huán)境光和機臺溫度遮光不到位、散熱差加遮光罩改善散熱節(jié)拍突然變慢工控機負載后臺進程占用CPU清理進程優(yōu)化代碼通信中斷網(wǎng)線/交換機工業(yè)現(xiàn)場干擾換屏蔽網(wǎng)線檢查接地7. 最后一個建議先想清楚要解決什么問題再決定要不要上視覺做了這么多視覺檢測項目我最大的感受是技術(shù)本身越來越成熟真正的難點在于搞清楚自己到底要什么。有些客戶上來就問“我想用視覺檢測替代人工”但你問他“你的不合格品主要是哪些缺陷缺陷率是多少不合格品流出帶來的損失有多大檢測節(jié)拍要求是多少”這些問題答不上來。這種項目做起來非常痛苦因為目標模糊導(dǎo)致方案反復(fù)變更最后成本翻倍體驗極差。所以如果你正準備引入工業(yè)視覺檢測我建議先花兩周時間做一件事——記錄。把產(chǎn)線上每天檢出的不良品拍下來分類、計數(shù)、分析成因同時記錄現(xiàn)有人工檢測的漏檢記錄和客訴記錄。這些數(shù)據(jù)既是需求分析的依據(jù)也是后續(xù)驗收時判斷系統(tǒng)是否達標的標準。工業(yè)視覺檢測替代人工真正的價值不是“省了幾個人工資”而是質(zhì)量數(shù)據(jù)的透明化和生產(chǎn)過程的可追溯。每一張檢測圖像、每一個判定結(jié)果、每一條 NG 記錄都在幫你沉淀一批很難用金錢衡量的生產(chǎn)知識。從這個角度看它更像是一場生產(chǎn)方式的升級而不是簡單的人員替代。想清楚了這一點項目的方向自然就清楚了。