上一弹预告发出去之后评论区就被同一种问题刷屏了大恒图像深圳视觉展这台系统误判率到底能做到多少现场能不能看到真机跑料说实话这种追问我一点都不意外。每次展前客户基本都会围着这几件事打转——相机参数、算法逻辑、节拍上限有时候聊到最后还会补一句“能不能带几个我们自己的工件来现场试”。这篇文章就是“系统预告第二弹”的完整文字版重点把这次要展的核心视觉系统讲透它解决什么问题、为什么这么选型、现场演示有哪几个看点、以及你在展台验收一套系统时最容易忽略的坑。不管你是做设备集成、产线工艺还是纯粹搞视觉算法这套系统的设计思路都可以直接拿来参考。1. 系统整体设计与思路拆解1.1 为什么第二弹要单独拆一套系统来讲很多朋友看到“系统预告”四个字以为就是常规的展品清单罗列。上一弹确实把展位、新品线、方案地图都过了一遍但说实话那只是前菜。这一篇要拆的这套系统是我们这次展会的“压轴工位”。为什么单独拆出来讲因为它代表了一个很明显的行业趋势机器视觉正在从“单点检测设备”走向“整线视觉系统”。以前客户买相机、买镜头、买软件回去自己拼装调试遇到问题还得来回跟供应商扯皮。现在越来越多的终端工厂和设备商倾向于直接要一套能对上产线节拍、能跟PLC握手、能扛住长时间连续运行的完整系统。这套系统的定位非常清晰面向精密零部件的外观检测与尺寸测量覆盖3C电子和锂电池模组两个方向。3C方向主要处理中框、连接器、FPC软板这类高反光、小尺寸的工件锂电方向则聚焦极片对齐度、极耳翻折、表面划痕这些痛点。我特别理解为什么这两个方向会被优先拿来做示范。它们有一个共同点传统2D视觉很难稳定搞定但又是产线上绝对绕不开的质检环节。3C中框的高光倒角2D相机拍出来经常出现反光过曝人眼都看得费劲锂电极片的黑色表面和金属光泽叠加对光线的敏感度极高。这套系统用“3D视觉深度学习分类”的组合去打这个场景思路是对的。1.2 选型逻辑为什么是“3DAI”而不是纯2D或纯3D关于选型我接触过太多客户第一句话就问“你们用的是什么相机”。这个问题看似简单其实背后藏着一个更深的问题方案到底靠什么物理量来做判断。2D视觉的底层逻辑是靠灰度差和颜色差。工件表面只要出现光照变化、阴影、反光图像特征就可能漂移鲁棒性很难保证。纯3D视觉虽然多了一个高度维度的信息但点云数据量大处理速度容易拖后腿而且对于表面细微划痕这类“平坦区域上的浅纹理缺陷”纯高度信息反而不好识别。这套系统的选择是“3D测量做主结构尺寸2D深度学习做表面缺陷分类两者通过坐标映射融合”。听起来不复杂但真正落地的时候融合深度决定了系统的上限。我们做了几层设计第一层用3D传感器获取工件的高精度轮廓和点云完成诸如平面度、段差、间隙、高度这类几何参数测量第二层用高分辨率2D面阵相机采集表面图像跑深度学习模型负责划痕、压伤、脏污、异物这类纹理类缺陷第三层把2D缺陷的像素坐标映射到3D点云坐标上这样不仅能判断“有没有缺陷”还能输出缺陷的深度和面积给后端工艺改善提供数据。这个三层架构最直接的好处是检测结果不只是“OK/NG”而是一组可量化的数据。你拿着这套数据去跟产线工艺工程师开会能直接指出“这个划痕主要集中在R角区域深度基本在0.02到0.04毫米之间”而不是含糊地说“有划痕”。1.3 这套系统要解决的行业痛点把痛点说透比堆参数更有价值。做机器视觉项目这些年我最大的体感是工厂客户缺的不是“某台相机”而是“一种能让质检结果可信、可追溯、可复用的能力”。先说缺人。精密零部件的外观检测长期依赖人工目检但现在的排产节奏和良率要求已经让目检岗位成了瓶颈。一个人看一整天显微镜眼睛会累累就会漏。机器视觉不会累但前提是算法要足够稳定不能今天漏检多明天误杀多。再说缺标准。很多工厂的质检标准停留在“参照样品”阶段什么是轻微划痕、什么是严重划痕老师傅说了算。这套系统用3D数据把判定标准数字化了——深度超过0.03毫米的划痕算NG0.03毫米以下算OK。标准一旦数字化供应商和客户之间就有了共识吵架都少了。最后是缺数据。产线上每天都在产生大量检测结果但传统人工目检留下来的顶多是一张张纸质的报表。这套系统的每个NG样本都会自动保存图像和点云数据积累一个月就是一个小型缺陷样本库后续算法迭代、工艺改善都有据可查。2. 核心技术环节解析与实操要点2.1 成像端的配置思路光源、镜头、相机的组合拳讲系统绕不开硬件选型。这套系统在成像端做了三种光路的组合设计这里展开讲一下因为很多工程问题都出在成像环节。第一种是3D结构光测量光路。用于测量工件几何尺寸比如段差、平面度、轮廓度。结构光方案的优点是点云数据稳定对环境光有一定抑制能力适合ppb级精度的尺寸测量。我们在这套系统里把测量目标定在±0.03毫米级别的重复精度结构光传感器完全够用。第二种是高角度环形光。用在2D深度学习的外观检测工位主要照射高反光表面的细微划痕和压伤。这里有个很关键的细节环形光的角度要跟工件表面法线方向形成一定夹角让缺陷区域产生明显的灰度突变。角度太垂直反光会吞掉浅划痕角度太斜整个视野亮度不均匀。第三种是低角度直射光。主要用来凸显边缘轮廓和表面凹凸比如锂电极片的极耳翻折、极片边缘毛刺。低角度光的好处是能把微小的凸起变成明显的影子人眼看起来像浮雕效果算法识别起来也轻松很多。三种光路不是三个相机简单凑在一起而是共用了同一个运动控制触发源。工件运动到指定位置时编码器会给三个相机同时发触发信号保证不同光路采集的数据在空间上是严格对应的。这个同步设计是我觉得系统能稳定跑起来的关键很多项目出问题就出在相机各拍各的后期对齐全靠“缘分”。2.2 算法侧的取舍什么时候用传统视觉什么时候上深度学习算法选型是这套系统最有讨论价值的地方。我经常说一句话深度学习不是万能钥匙传统算法也不是明日黄花关键是看检测任务的性质。几何测量类的任务比如距离、角度、圆度、平面度我坚持用传统视觉算法。为什么因为这些任务有明确的数学模型数据是可控的算法是确定性的。你用卡尺工具量一个长度十次测量结果应该是一样的这种“确定性”是产线最需要的东西。深度模型反而有不确定性同样的输入可能因为模型内部的微小扰动产生不同结果这在精密测量里是不能接受的。缺陷检测类任务比如划痕、脏污、凹坑、异物就得上深度学习。这类缺陷的特点是“没有标准形状”你没法用固定模板去匹配——划痕有长有短、有粗有细、有深有浅传统形态学处理会累死调试工程师。我们用分割模型把缺陷区域“抠”出来再计算面积、长度、深度特征这样既发挥了深度学习的泛化能力又保留了传统算法的可解释性。一个比较重要的实操心得模型输出的置信度分数不要直接当判定依据。正确做法是设定一个高置信度阈值比如0.85以上直接判NG0.3到0.85之间的模糊区域再叠加缺陷面积、位置等特征做二次判定。这样可以大幅减少“自信过头”的漏判。2.3 通讯与节拍设计视觉系统不能拖产线后腿视觉系统在产线上最尴尬的事情是检测精度上去了节拍跟不上整个产线等你一台设备。所以在系统设计的时候我们需要做一套很详细的时序规划。以锂电模组检测工位为例我要求整个检测节拍控制在2.5秒以内。这意味着成像、算法、通信三块必须在时间上精确分配。成像端大约占800毫秒包括三路相机触发和传输算法端占1.2秒左右3D测量跑主线程2D模型推理跑并行线程剩下的500毫秒是结果输出和PLC握手。这里有个工程细节2D缺陷检测和3D测量一定要用并行线程不能串行跑。串行的话2秒时间就只剩1秒给算法很多现场项目就是这个原因导致节拍上不去。我们用C多线程把两个算法线程独立开再通过共享内存做结果关联实测下来节拍余量非常充足。通讯协议方面跟产线PLC主要走Profinet或者EtherNet/IP结果通过TCP socket同时上传到MES系统。这里要提醒一下结果上传的格式一开始就要跟MES团队敲定尽量避免后期给PLC和MES各出一套格式两边对不上的情况我见过太多次了。3. 现场演示环节与评估方法3.1 展台演示流程从投料到底线全自动跑通这次展台现场这套系统会搭成一条迷你检测专线。观众可以看到完整的上下料、检测、分选流程而不是传统的“相机装在一个防尘罩里拍个不停”。演示流程大概是这样的操作员把工件放到入料位传感器感应到工件后启动电机把工件送进检测区编码器实时跟踪工件位置到达设定位置后同时触发3D结构和两台2D相机图像采集完成算法开始跑测量和检测屏幕会把每个工位的检测过程实时可视化判定完成的工件通过气缸翻板分选到OK或NG料盒单次检测数据、图像、判定结果全部自动存入本地数据库屏幕上同步展示历史统计曲线。这套演示流程的用意是让观众直观理解“视觉系统”和“视觉设备”的区别。设备是一堆硬件的集合系统则是硬件、算法、软件、运动的协同体。很多客户看完演示都会说“原来你们不是卖相机的是卖整套方案的”这就是我们想传递的信息。3.2 在展台现场评估系统性能的四个硬指标很多人逛展喜欢问“像素是多少”“帧率是多少”这些当然值得问但对于看系统级方案的人来说更有价值的评估维度是下面四项第一个硬指标误判率与漏判率的口径清晰度。一套系统敢不敢现场测很大程度上反映出它的真实水平。我们参展通常会准备一批标准样件包括OK件、轻微不良件、严重不良件。观众可以随机指定某个样件进行多次重复检测观察判定结果是否稳定。这里建议你也这样测同一个工件连测20次看有没有偶尔判OK偶尔判NG的情况。如果有说明系统判定逻辑存在抖动落地时要谨慎。第二个硬指标检测节拍的稳定值而不是峰值。有些设备标称节拍是0.5秒但那是理想状态。现场让它连续跑100个工件看实际平均节拍和波动范围。我们这套系统在展台演示的节拍设计是2.8秒留了足够的余量应对意外情况实测波动很小。稳定比快更重要这是我调试几百个现场项目后的总结。第三个硬指标换型能力。产线经常要换产品型号一套系统如果换个工件就要调半天光路和参数基本不具备实用价值。这套系统支持一键切换产品配方相机参数、光源亮度、检测算法、判定标准全部随配方自动切换。现场你可以要求演示人员从一种工件切到另一种全流程应该在1分钟以内完成。第四个硬指标异常样本的记录能力。NG样本有没有图像留存数据能不能追溯这听起来不是性能参数但在实际产线上特别重要。要是产线跟客户有质量争议一张带时间戳的NG图像抵过千言万语。3.3 现场怎么问问题才能问出真水平逛展的时候工程师问问题的方式能直接反映对视觉系统的理解。我分享几个展台经验你也可以用这些问题去“考验”任何一家视觉供应商。不要问“你们精度是多少”而要问“这个精度是在什么条件下验证的有没有配合标准量块做过重复性测试”精度本身离不开放大倍率、工作距离、环境光等条件脱离条件谈精度都是空话。不要问“误判率多少”而要问“你们现场是用什么样本测的误判率样本是你们自己选还是从我们产线拿的”自己选样件测出来的指标和实际产线样本测出来的指标差距可能差一个数量级这点一定要有清醒认识。不要问“能不能检测划痕”而要问“划痕的判定标准如何定义深度和长度分别超过多少判定为NG”如果对方回答得含糊说明方案还没真正落地过如果能清晰说出标准说明有可靠的现场经验支撑。4. 常见问题与排查技巧实录4.1 成像端最常见的几个翻车现场讲了这么多设计和演示回归到实际操作我分享几个在现场反复遇到的成像问题。第一个高反光工件出现区域性过曝。3C中框的高光亮边打光稍微不对就是白茫茫一片。排查思路不是急着换光源而是先调偏振。在光源前加偏振片相机前加同向偏振片能滤掉大部分镜面反射。如果还不行再考虑把光源角度调低、远离过曝区域。我在项目里发现70%的高反光问题靠偏振就能解决剩下30%才需要动结构。第二个锂电黑色极片边缘发虚。黑色吸光边缘和背景区分度低轮廓检测容易飘。处理技巧是用背光源把极片轮廓“顶”出来同时把曝光时间稍微压长一点让背景更亮、边缘更锐利。很多工程师一开始不敢加压光的强度怕烧坏相机其实对于CMOS传感器控制好曝光时间反而比单纯调光圈更安全。第三个环境光干扰导致检测状态漂移。展会现场灯光复杂产线上也经常有窗户、天窗、指示灯的干扰。应对方法物理遮光加算法补偿双管齐下。物理遮光是加装遮光罩减少杂散光算法补偿则是每次检测前拍一帧基准图实时扣除背景变化。4.2 误判和漏判的调试优先级误判和漏判是视觉系统落地的永恒话题。我的经验是漏判优先于误判处理。漏判意味着不良品流向客户端那叫质量事故误判顶多是产能浪费和人工复判增加属于成本问题。两者性质完全不同处理策略当然也不同。先解决漏判。漏判一般出在两个位置一是成像端缺陷没拍出来二是算法端缺陷没认出来。分别对应两条排查路径成像端把采集图像调出来人工逐张查看缺陷是否存在算法端则查看模型输出的热力图看模型到底关注了哪些区域。如果缺陷在图像上清晰可见但模型没识别出来优先补充训练样本如果图像本身就没有缺陷特征那就要回到光源和相机参数上找原因。误判处理逻辑刚好反过来。误判大多是因为判定阈值太严格或者训练样本里OK件样本太少模型没见过那么多正常形态。这时候要做的是收集大量OK件样本给模型“见世面”同时放松置信度阈值把模糊地带交给人工复判。多次迭代之后误判会逐渐下降漏判率也在可控范围。4.3 节拍不达标时的排查顺序节拍达不到设计要求是现场验收阶段最容易扯皮的问题。我总结了一套排查顺序照着做基本不会漏项。第一步看算法耗时是不是超标。在软件里把每个模块耗时打印出来定位是哪个环节耗时最多。通常问题出现在深度学习模型推理上模型太大、芯片算力不足就会拖慢整个节拍。第二步看图像传输有没有瓶颈。相机传输模式是触发采集还是连续采集图像分辨率是否超过实际需要都会影响速度。很多时候把分辨率从1200万降到500万时间就能省下来而检测精度并没有明显下降。第三步看逻辑线程有没有串行等待。主流程里一个模块等另一个模块看起来代码没问题跑起来就是慢。这种问题肉眼很难发现需要用专业的流程分析工具看时间线。第四步看机械运动是否拖后腿。有时候视觉处理很快但工件定位和分选动作浪费了大量时间。这时候需要跟机械工程师协调调整机械手速度曲线和等待时序。这套排查顺序看起来简单但非常管用。现场调试时间有限按这个顺序能快速排除80%的节拍问题。5. 展台现场体验优化与观展建议5.1 别把逛展当成看参数要当成“压力测试”最后聊一点逛展的实用建议。深圳这场展会楼下楼上几百个展位真正值得停留的视觉系统展台其实不多。我的看法是你是来找供应商的不是来收集宣传册的。如果对这套系统感兴趣到了展台先不急着听讲解先观察三个细节。第一展台是否在持续跑料而不是用一个循环视频“假装演示”。第二检测结果的统计数据是否实时在屏幕上滚动数据有没有明显的不合理跳变。第三工程师接待你的时候是主动问你的工况信息还是只顾着背参数。这三个细节基本能判断一家公司的工程化能力。展台现场人多很难深入交流。更高效的做法是先登记拿资料约好展后视频会议或上门技术交流的时间。机器视觉系统选型不是逛完展会就能拍板的事需要在真实工件上验证才谈得上信任。我每次建议潜在客户带几个最头疼的NG样件来现场测试现场看效果比任何宣传语都更有说服力。5.2 关于系统迭代和后续扩展的一些建议这套系统这次展示的是3C和锂电两个方向但它的架构本身是开放的。检测工位、算法模块、光源配置都是标准化接口之后扩展成4个工位、8个工位只是软件配方和硬件数量的叠加。我在实际项目里看到很多系统用了两三年之后客户真正的需求不是再买一台新机器而是在原有系统上升级算法、增加检测点位。所以这次展出的系统在架构设计之初就预留了扩展接口包括新的相机型号接入、新算法模型的替换、新通讯协议的支持。虽然这些扩展在展台上看不到但它决定了这套系统的使用寿命和投资回报。最后再分享一点个人心得我在现场看系统演示时从来不会第一眼就盯着检测精度数字而是先看这台设备在连续运行半小时之后检测数据是否依然稳定。很多设备“开场惊艳、久跑拉胯”稳定性才是视觉系统最难的那部分竞争力。大恒图像这套预告系统能不能经得住这种考验展会上用连续跑料和实时数据来验证会是最有说服力的方式。