这双“电子眼”到底能看穿什么？
很多人以为视觉检测就是个高级摄像头，拍个照片比对比对。错。现在的视觉检测系统，是融合了光学、算法、计算的综合系统。它能做的事情，远超你想象： – 缺陷检测：划痕、裂纹、凹陷、毛刺，那些肉眼难发现的微米级瑕疵，在合适的光源和镜头下，无所遁形。记得有一次，一个齿轮齿面有很浅的划痕，质检员全漏了，视觉系统抓个正着。 – 尺寸测量：精度可以到μ级。比卡尺快几百倍，而且全检。之前做轴承，内外径、圆度、跳动，全部在线测，数据直接进SPC系统，过程稳如老狗。 – 字符识别：OCR在工业里可是硬骨头。油污、磨损、反光，视觉检测配合深度学习，读取率能到99.9%。不然呢？靠人工一个个看码，效率低还易错。 – 定位引导：给机械臂装眼睛。随机摆放的工件，视觉抓取坐标，引导装配或上下料。我们一条装配线，用了3D视觉引导，柔性大幅提高。
踩坑实录：光、相机、算法，哪个最要命？
搞视觉检测，不是说买套设备一装就好。中间的坑，我几乎踩了个遍。最深的，是光源。很多人忽略光，觉得亮了就行。天真。不同材质、颜色、表面粗糙度，对光的要求天差地别。高反光金属件，得用漫射光、偏振镜；透明件，得用背光；曲面，可能得环形光加角度调节。曾经为检测一个黑色橡胶密封圈上的细微飞边，我们团队试了不下十种光源方案，最后靠低角度蓝色环形光才搞定。前后折腾一个月，差点被项目组催死。 其次，相机和镜头。分辨率不是越高越好，要算清视野、精度和速度的平衡。线阵相机适合连续运动的大幅面，面阵相机灵活。镜头畸变、景深，都是实际要考量的参数。算法呢？传统算法稳定，但处理复杂场景吃力。深度学习很强大，但需要样本，且黑箱性让人不安。我曾经在一个注塑件外观检测项目中，用深度学习模型，一开始效果惊艳，但后来换了一批料，颜色略有偏差，模型就误报飙升。最后还是混合方案：传统算法找大缺陷，深度学习处理纹理和颜色差异。工业里，稳定压倒一切。问：视觉检测系统实施难吗？是不是需要专门的团队？
答：难，也不难。如果你是标准应用，比如检测有无、简单尺寸，买成熟套件，找个有经验的集成商，调试个把月能跑起来。但一旦是非标产品、复杂缺陷、高速产线，就得有光学、机械、电气、软件的综合能力。最好公司内部有自动化工程师能主导，或者找真正懂行的合作伙伴，别被那种‘一锤子买卖’的集成商坑了。另外，别忘了后期维护——光源衰减、镜头污染、算法调优，都需要长期盯。
问：视觉检测能完全替代人工质检吗？
答：看场景。对于重复性高、速度快、精度要求高的产线，视觉检测替代人工是趋势。但完全替代？在有些地方还不行。比如柔性太强的场景，产品批量小、种类多、缺陷定义模糊，人工的适应性和判断力目前机器还比不了。我的建议是：人机协同。视觉做初筛和标准任务，把疑难杂症留给经验丰富的质检员。这样效率最高，成本也最优。
选型，别被厂商的漂亮参数忽悠了
现在视觉检测厂商多如牛毛，参数一个比一个吹得神。什么几千万像素、AI深度学习、零漏检、零误报……醒醒吧。采购前，一定要拿自己的样品做实测。准备至少几十个实物，包含各种缺陷品和良品，去厂商实验室或自己的产线跑真实工况。关注以下几点： – 误检率（过杀率）：太高的话，后面复检工作量一样大，视觉就白装了。 – 检出率（漏检率）：这是底线，零漏检是理想，但实际要接受ppm级，但要明确后果，关键安全件必须千方百计达到最低。 – 节拍：能不能跟上产线速度？算上行不行的处理时间、通讯、机械动作。 – 操作和维护：界面是不是友好？换型快不快？培训成本高不高？有些厂家系统封闭，调个参数都得找他们，后续就是无底洞。