最近一直在研究工業(yè)視覺(jué)檢測(cè)這東西到底能替人工做多少事先說(shuō)結(jié)論在我接觸過(guò)的項(xiàng)目里一套成熟的視覺(jué)檢測(cè)方案在特定場(chǎng)景下替代 80% 以上的人工目檢崗位是完全現(xiàn)實(shí)的有些產(chǎn)線(xiàn)上甚至能做到 95% 以上。但這不是說(shuō)機(jī)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(jià)值的工位上。我最早接觸工業(yè)視覺(jué)檢測(cè)是幾年前幫一家汽配廠做活塞環(huán)的外觀分選。當(dāng)時(shí)車(chē)間里十幾個(gè)阿姨坐在燈光下拿放大鏡一枚一枚看一天下來(lái)每人要看五六千個(gè)零件。漏檢率控制在 3% 以?xún)?nèi)就謝天謝地了。后來(lái)上了視覺(jué)檢測(cè)方案漏檢率直接干到 0.2% 以下速度還翻了一倍。那次項(xiàng)目之后我就意識(shí)到這玩意兒不是簡(jiǎn)單的“相機(jī)電腦”而是一套融合了光學(xué)、機(jī)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(xiàng)目經(jīng)驗(yàn)從原理到選型從部署到避坑把工業(yè)視覺(jué)檢測(cè)這件事一次說(shuō)透。想引入這套技術(shù)的人或者剛開(kāi)始接觸視覺(jué)檢測(cè)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(jué)檢測(cè)到底在做什么說(shuō)白了就是給機(jī)器裝上“眼睛和大腦”1.1 人工目檢的痛點(diǎn)恰恰是視覺(jué)檢測(cè)的機(jī)會(huì)窗口先說(shuō)一個(gè)很多人容易忽略的事實(shí)人的眼睛并不適合長(zhǎng)時(shí)間做重復(fù)性的精密觀察。我查過(guò)一些工業(yè)人因工程的數(shù)據(jù)一個(gè)熟練的質(zhì)檢員在連續(xù)工作 30 分鐘之后漏檢率就開(kāi)始明顯爬升到下班前那一個(gè)小時(shí)所謂的“全檢”其實(shí)已經(jīng)退化成了“抽檢”。這不是工人不負(fù)責(zé)是人的生理極限擺在那里。具體痛點(diǎn)拆開(kāi)來(lái)看疲勞導(dǎo)致的漏檢率波動(dòng)短期靠管理手段根本壓不住人眼對(duì)灰度差異的敏感度有限很多細(xì)微缺陷比如微裂紋、淺劃傷本來(lái)就超出了肉眼分辨極限人工檢測(cè)的標(biāo)準(zhǔn)一致性差同一個(gè)缺陷白班師傅說(shuō)合格夜班師傅說(shuō)報(bào)廢客訴一來(lái)就扯皮人員流動(dòng)大培訓(xùn)周期長(zhǎng)老師傅一走質(zhì)量標(biāo)準(zhǔn)也跟著走而這幾個(gè)痛點(diǎn)恰好都是視覺(jué)檢測(cè)的強(qiáng)項(xiàng)。工業(yè)視覺(jué)檢測(cè)的核心邏輯就一句話(huà)用相機(jī)代替人眼“看”用算法代替大腦“判”最后連同機(jī)械機(jī)構(gòu)一起完成“分選動(dòng)作”。它不累、不困、不情緒化標(biāo)準(zhǔn)一旦固化下來(lái)就是一刀切到底的穩(wěn)定輸出。1.2 視覺(jué)檢測(cè)系統(tǒng)的三大核心組件缺一不可很多剛接觸這個(gè)領(lǐng)域的人以為視覺(jué)檢測(cè)就是買(mǎi)個(gè)好相機(jī)接上電腦跑個(gè)算法就行真不是這么簡(jiǎn)單。一套完整的工業(yè)視覺(jué)檢測(cè)系統(tǒng)至少包含三個(gè)部分而且這三部分必須協(xié)同設(shè)計(jì)缺一個(gè)后面的效果都會(huì)大打折扣。成像單元光源、工業(yè)相機(jī)、鏡頭。它的任務(wù)是“讓缺陷看得見(jiàn)”。這里面的水非常深光源的角度和顏色、相機(jī)的分辨率與幀率、鏡頭的工作距離每一樣都會(huì)直接影響最終檢測(cè)效果。我見(jiàn)過(guò)太多項(xiàng)目死在成像環(huán)節(jié)——算法再?gòu)?qiáng)拍出來(lái)的圖里根本沒(méi)有缺陷特征也只能干瞪眼。圖像處理單元工控機(jī)或者嵌入式處理器加上視覺(jué)算法軟件。它的任務(wù)是“從圖像里找到缺陷并分類(lèi)”。傳統(tǒng)方案用 Halcon、VisionPro、OpenCV 這些工具做特征提取現(xiàn)在越來(lái)越多的方案引入深度學(xué)習(xí)用小樣本訓(xùn)練也能達(dá)到不錯(cuò)的檢出率。執(zhí)行與通信單元PLC、氣缸、剔除機(jī)構(gòu)、工業(yè)網(wǎng)絡(luò)。檢測(cè)結(jié)果最終要落地成動(dòng)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(dòng)”那這套系統(tǒng)就是個(gè)擺設(shè)。這三塊的關(guān)系我習(xí)慣用一句話(huà)跟客戶(hù)解釋成像單元是眼睛算法是大腦執(zhí)行機(jī)構(gòu)是手。人干活需要眼腦手配合機(jī)器也一樣。1.3 視覺(jué)檢測(cè)能做什么一張表看清應(yīng)用邊界視覺(jué)檢測(cè)看似萬(wàn)能但其實(shí)有非常明確的適用邊界。我做了那么多項(xiàng)目之后會(huì)把工業(yè)視覺(jué)檢測(cè)的應(yīng)用分成四類(lèi)每一類(lèi)的實(shí)現(xiàn)難度和對(duì)算法的要求都不一樣檢測(cè)類(lèi)型典型場(chǎng)景實(shí)現(xiàn)難度核心算法尺寸測(cè)量零件長(zhǎng)寬高、孔徑、螺紋中徑中邊緣提取、亞像素?cái)M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(jī)械臂抓取定位、對(duì)位組裝中高模板匹配、手眼標(biāo)定OCR/條碼識(shí)別讀DPM碼、打印字符驗(yàn)證中字符分割、深度學(xué)習(xí)OCR外觀缺陷是視覺(jué)檢測(cè)里公認(rèn)最難的一類(lèi)因?yàn)椤叭毕荨北旧硎莻€(gè)非常模糊的概念——同樣的劃痕在磨砂面上看不見(jiàn)在高光面上就很明顯同一個(gè)壓傷角度一換就時(shí)有時(shí)無(wú)。這也是為什么現(xiàn)在深度學(xué)習(xí)在工業(yè)視覺(jué)里越來(lái)越吃香因?yàn)閭鹘y(tǒng)算法在處理這類(lèi)“只可意會(huì)不可言傳”的特征時(shí)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(diǎn)必須潑盆冷水深度學(xué)習(xí)也不是萬(wàn)能的。它需要樣本大量經(jīng)過(guò)標(biāo)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(méi)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(jī)的選型是地基中的地基2.1 光源設(shè)計(jì)一半以上的檢測(cè)項(xiàng)目成敗都在這一步我經(jīng)常跟團(tuán)隊(duì)里的新人說(shuō)一句話(huà)視覺(jué)檢測(cè)這個(gè)行當(dāng)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(duì)比度”。這里有個(gè)很經(jīng)典的例子檢測(cè)透明玻璃瓶的裂紋用普通白光從正面打裂紋幾乎看不見(jiàn)換成分光鏡加偏振光裂紋直接變成一道亮線(xiàn)肉眼都能看到。這就是光源角度、波長(zhǎng)、偏振狀態(tài)帶來(lái)的差異。實(shí)操中我常用的光源類(lèi)型和適用場(chǎng)景如下環(huán)形光源環(huán)形無(wú)影光最常用的通用光源適合表面紋理、字符識(shí)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(cè)。光線(xiàn)從側(cè)面以很小的角度照射劃痕的凹凸邊緣會(huì)把光反射到相機(jī)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(guò)半透半反鏡讓光線(xiàn)垂直照射避免環(huán)境光干擾背光源面光源適合輪廓測(cè)量和透明物體雜質(zhì)檢測(cè)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(shí)還有一個(gè)特別容易踩的坑忽略了環(huán)境光的干擾。產(chǎn)線(xiàn)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(xiàn)如果沒(méi)擋住會(huì)導(dǎo)致同一個(gè)零件白天拍和晚上拍效果差一大截。我的做法是檢測(cè)工位必須做遮光處理然后用固定色溫的光源、固定曝光時(shí)間拍攝把變量控制到最少。2.2 相機(jī)選型別只看像素幀率和靶面尺寸同樣關(guān)鍵相機(jī)選型是工業(yè)視覺(jué)里的經(jīng)典問(wèn)題。很多第一次做項(xiàng)目的人上來(lái)就問(wèn)“我要多少像素的相機(jī)”這個(gè)問(wèn)題本身就有誤導(dǎo)性因?yàn)橄袼刂皇呛饬肯鄼C(jī)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(lái)說(shuō)我要檢測(cè)一個(gè) 50mm × 40mm 的零件要求能分辨 0.1mm 的微小缺陷。按照工業(yè)視覺(jué)的工程慣例一個(gè)缺陷至少要在圖像里占到 3×3 個(gè)像素才靠譜。這樣算下來(lái)X 方向像素?cái)?shù) 50mm / 0.1mm × 3 1500Y 方向 40mm / 0.1mm × 3 1200?？紤]到邊緣留白和定位余量我會(huì)直接推薦 500 萬(wàn)像素級(jí)別的相機(jī)保證實(shí)際像素密度是需求的兩倍以上。第二步根據(jù)產(chǎn)線(xiàn)節(jié)拍選幀率。產(chǎn)線(xiàn)要求的節(jié)拍是每分鐘 120 個(gè)零件那每個(gè)零件的檢測(cè)時(shí)間就是 0.5 秒。剔除機(jī)構(gòu)動(dòng)作要 0.1 秒算法處理要 0.2 秒留給相機(jī)采圖的時(shí)間只有 0.2 秒。如果一次檢測(cè)要拍 3 張圖每張圖的間隔就不能超過(guò)約 0.067 秒也就是相機(jī)幀率至少得 15fps。這個(gè)賬一定要提前算清楚不然方案做出來(lái)節(jié)拍跟不上整個(gè)產(chǎn)線(xiàn)都得跟著返工。第三步根據(jù)環(huán)境選相機(jī)類(lèi)型。穩(wěn)定光源環(huán)境下優(yōu)先用全局快門(mén) CMOS 相機(jī)它不像卷簾快門(mén)那樣拍運(yùn)動(dòng)物體時(shí)會(huì)產(chǎn)生“果凍效應(yīng)”。還要看靶面尺寸同樣 500 萬(wàn)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(gè) C 口鏡頭就能用的。2.3 一個(gè)典型項(xiàng)目的成像方案配置參考拿我之前做過(guò)的鋰電池極片劃痕檢測(cè)項(xiàng)目舉例這個(gè)項(xiàng)目的成像配置可以作為同類(lèi)項(xiàng)目的參考模板檢測(cè)對(duì)象鋰電池極片涂布表面幅寬約 300mm運(yùn)行速度約 1m/s相機(jī)4K 線(xiàn)掃相機(jī)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(chǎng)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(duì)比遮光整個(gè)檢測(cè)工位用鋁型材加遮光布包起來(lái)內(nèi)部用 DC 恒壓光源控制器這個(gè)方案跑起來(lái)之后0.02mm 寬度的淺劃痕都能檢測(cè)出來(lái)。當(dāng)時(shí)客戶(hù)震驚于這個(gè)精度其實(shí)說(shuō)白了就是光學(xué)方案選對(duì)了算法只是重度參與了分類(lèi)那一步——?jiǎng)澓?、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(cè)算法怎么落傳統(tǒng)視覺(jué)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(cè)項(xiàng)工業(yè)視覺(jué)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(shuō)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(cè)Canny / Sobel、形態(tài)學(xué)處理腐蝕膨脹、開(kāi)閉運(yùn)算、模板匹配、幾何測(cè)量等。這些算法好在哪好在“可解釋、可控制”。它為什么判這個(gè)零件不合格你能清楚地指出來(lái)因?yàn)槟硞€(gè)區(qū)域的灰度值超出了閾值 50因?yàn)槟硹l邊到另一條邊的距離超差 0.03mm。客戶(hù)質(zhì)疑你的時(shí)候你能拿出具體的數(shù)據(jù)去解釋。以“尺寸測(cè)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(biāo)定把像素坐標(biāo)映射到世界坐標(biāo)通過(guò)直方圖分析確定分割閾值把目標(biāo)區(qū)域從背景中分離出來(lái)用邊緣檢測(cè)算子提取關(guān)鍵輪廓對(duì)邊緣曲線(xiàn)做亞像素?cái)M合把精度推到像素級(jí)以下計(jì)算兩點(diǎn)、兩線(xiàn)之間的距離輸出測(cè)量結(jié)果這條鏈路里每一步都有成熟的算法庫(kù)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(cè)場(chǎng)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(wèn)題但傳統(tǒng)算法也有死活搞不定的場(chǎng)景比如我之前提到的外觀缺陷里那些“說(shuō)不清道不明”的情況。一個(gè)鑄件表面到底算不算“粗糙”一個(gè)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(shí)候深度學(xué)習(xí)就派上用場(chǎng)了。我常用的思路有兩種分類(lèi)網(wǎng)絡(luò)把圖像或圖像分塊扔給一個(gè)分類(lèi)模型讓它輸出“OK”或“NG”。這種方案最簡(jiǎn)單對(duì)硬件要求也最低適合那些缺陷形態(tài)相對(duì)一致的場(chǎng)景。但是缺點(diǎn)是需要大量 NG 樣本訓(xùn)練而且模型只會(huì)告訴你“這東西不合格”不會(huì)告訴你“為什么不合格”。目標(biāo)檢測(cè)/分割網(wǎng)絡(luò)比如 YOLO 系列做缺陷定位或者 U-Net、SegNet 之類(lèi)做像素級(jí)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(wèn)題和分析缺陷成因都很方便也便于做數(shù)據(jù)統(tǒng)計(jì)。缺點(diǎn)是訓(xùn)練和推理更耗時(shí)調(diào)參門(mén)檻更高。3.3 數(shù)據(jù)標(biāo)注怎么做才高效我的實(shí)戰(zhàn)經(jīng)驗(yàn)深度學(xué)習(xí)模型的性能上限很大程度由標(biāo)注數(shù)據(jù)的質(zhì)量決定。這個(gè)領(lǐng)域有個(gè)共識(shí)你給模型喂多少?gòu)垬?biāo)注圖決定它能學(xué)到什么程度。我的做法是項(xiàng)目啟動(dòng)初期先跟客戶(hù)一起定一個(gè)“缺陷分級(jí)標(biāo)準(zhǔn)”——哪些缺陷必須判 NG哪些可以容忍哪些屬于爭(zhēng)議區(qū)。然后在這個(gè)標(biāo)準(zhǔn)下標(biāo)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(shí)產(chǎn)線(xiàn)上收集誤報(bào)和漏報(bào)——這時(shí)候產(chǎn)線(xiàn)工程師配合著點(diǎn)“誤報(bào)”“漏報(bào)”按鈕這些反饋數(shù)據(jù)再補(bǔ)充進(jìn)訓(xùn)練集迭代兩三輪之后模型的準(zhǔn)確率提升會(huì)非常明顯。這個(gè)過(guò)程行業(yè)內(nèi)叫“主動(dòng)學(xué)習(xí)閉環(huán)”是我在所有深度學(xué)習(xí)視覺(jué)項(xiàng)目里都會(huì)堅(jiān)持做的流程。還有個(gè)小技巧不要只標(biāo)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(jìn)去訓(xùn)練就行結(jié)果模型上線(xiàn)后瘋狂誤報(bào)。原因很簡(jiǎn)單——模型沒(méi)學(xué)過(guò)“正常的但長(zhǎng)得像缺陷”的樣本是什么樣。所以標(biāo)注時(shí)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(lái)像缺陷但其實(shí)是合格”的困難正樣本。這類(lèi)樣本對(duì)抑制誤報(bào)特別有效。4. 節(jié)拍、精度、穩(wěn)定性——從實(shí)驗(yàn)室到產(chǎn)線(xiàn)的三個(gè)門(mén)檻4.1 節(jié)拍計(jì)算方案能不能用先算這筆時(shí)間賬從實(shí)驗(yàn)室到產(chǎn)線(xiàn)第一個(gè)攔路虎永遠(yuǎn)是節(jié)拍。實(shí)驗(yàn)室里跑得再聰明的算法到了產(chǎn)線(xiàn)上每秒鐘要處理 3 個(gè)工件處理不過(guò)來(lái)一切白搭。節(jié)拍預(yù)算要拆得足夠細(xì)相機(jī)曝光時(shí)間通常 1-5 毫秒圖像傳輸時(shí)間GigE 接口傳一張 500 萬(wàn)像素圖約 30-50 毫秒算法處理時(shí)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(shí)間給 PLC 發(fā)結(jié)果 10-20 毫秒剔除機(jī)構(gòu)動(dòng)作時(shí)間氣缸響應(yīng) 50-100 毫秒我之前做過(guò)一個(gè)注塑件全檢項(xiàng)目客戶(hù)要求節(jié)拍 3.5 秒/件聽(tīng)起來(lái)很寬松對(duì)吧但一個(gè)件要檢測(cè) 6 個(gè)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(gè)壓力就不小了。最后是用多相機(jī)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(qiáng)調(diào)節(jié)拍計(jì)算一定要在方案設(shè)計(jì)階段做等軟件寫(xiě)完了才發(fā)現(xiàn)跑不動(dòng)那就不是改代碼的事兒了是整套硬件方案得推翻重來(lái)。4.2 精度驗(yàn)證GRR 怎么做怎么跟客戶(hù)對(duì)齊標(biāo)準(zhǔn)工業(yè)視覺(jué)項(xiàng)目驗(yàn)收最怕的就是“精度”這個(gè)詞的定義沒(méi)對(duì)齊?？蛻?hù)說(shuō)“我要精度 0.05mm”你說(shuō)“我們能做到”然后驗(yàn)收時(shí)吵得不可開(kāi)交——因?yàn)榭蛻?hù)說(shuō)的是測(cè)量值和三坐標(biāo)結(jié)果的誤差你說(shuō)的是系統(tǒng)重復(fù)測(cè)量同一零件的標(biāo)準(zhǔn)差。這里我強(qiáng)烈建議大家引入測(cè)量系統(tǒng)分析里的 GRR量具重復(fù)性與再現(xiàn)性方法來(lái)做精度驗(yàn)證。簡(jiǎn)單說(shuō)就是選取 10 個(gè)有代表性的零件3 個(gè)不同操作者或者同一個(gè)視覺(jué)系統(tǒng)分 3 個(gè)時(shí)間批次每個(gè)零件各測(cè) 3 次然后計(jì)算方差分量看系統(tǒng)自身的重復(fù)性波動(dòng)占整體波動(dòng)的比例。GRR 的結(jié)果如果小于 10%說(shuō)明這套系統(tǒng)的測(cè)量波動(dòng)可以忽略可以放行10%-30% 說(shuō)明可接受但需要改進(jìn)超過(guò) 30% 就得回去查原因了——大概率是成像不穩(wěn)定或者定位機(jī)構(gòu)有間隙。這個(gè)方法論在汽車(chē)零部件行業(yè)是標(biāo)配但很多小型制造企業(yè)根本沒(méi)用過(guò)。我在項(xiàng)目對(duì)接時(shí)通常會(huì)把 GRR 報(bào)告作為驗(yàn)收文件的一部分提前說(shuō)清楚這樣后面出分歧的概率會(huì)小很多。4.3 穩(wěn)定性24 小時(shí)連跑一個(gè)月魯棒性才是王道實(shí)驗(yàn)室里能跑通、能調(diào)速不等于上了產(chǎn)線(xiàn)就能穩(wěn)定干一年。工業(yè)現(xiàn)場(chǎng)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(jī)傳感器噪聲跟著變動(dòng)產(chǎn)線(xiàn)震動(dòng)固定相機(jī)的支架位移 0.5mm視野偏了檢測(cè)區(qū)域就不對(duì)了光源老化衰減亮度掉了 20%原本清晰的缺陷特征開(kāi)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(wèn)題不是單靠算法能解決的。我的經(jīng)驗(yàn)是方案設(shè)計(jì)階段就要做“魯棒性規(guī)劃”所有光學(xué)組件用鎖死機(jī)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?xún)?nèi)機(jī)柜里加裝恒溫空調(diào)相機(jī)處于受控溫度環(huán)境每次開(kāi)機(jī)跑自檢用標(biāo)準(zhǔn)件校驗(yàn)圖像亮度和位置偏差超差就報(bào)警停機(jī)這些做下來(lái)系統(tǒng)穩(wěn)定性會(huì)有質(zhì)的提升。我見(jiàn)過(guò)太多項(xiàng)目死在“隔兩天要重新調(diào)一次參數(shù)”這件事上——產(chǎn)線(xiàn)工人不會(huì)調(diào)設(shè)備廠商工程師一叫就要隔天才能到中間停機(jī)損失全算在項(xiàng)目賬上。5. 上線(xiàn)實(shí)施與驗(yàn)收的實(shí)戰(zhàn)記錄5.1 實(shí)施流程從技術(shù)驗(yàn)證到正式量產(chǎn)的五步走以我做過(guò)的一個(gè)汽車(chē)密封圈外觀檢測(cè)項(xiàng)目為案例完整走一遍實(shí)施流程第一步前期打樣與可行性驗(yàn)證。拿客戶(hù)提供的 200 個(gè)真假缺陷樣品搭建臨時(shí)視覺(jué)平臺(tái)驗(yàn)證方案能穩(wěn)定捕獲并識(shí)別缺陷。這一步通常需要 3-7 天輸出樣品檢測(cè)報(bào)告和效果圖。這項(xiàng)測(cè)試非常關(guān)鍵——如果在打樣階段就失敗說(shuō)明方向錯(cuò)了及時(shí)換思路比硬著頭皮上劃算得多。第二步方案設(shè)計(jì)與軟硬件集成。根據(jù)打樣結(jié)果確定相機(jī)、鏡頭、光源型號(hào)設(shè)計(jì)機(jī)械安裝結(jié)構(gòu)編寫(xiě)檢測(cè)程序開(kāi)發(fā)人機(jī)交互界面。同時(shí)和客戶(hù)敲定接口協(xié)議——檢測(cè)結(jié)果通過(guò)什么方式傳給產(chǎn)線(xiàn)剔除信號(hào)怎么接。第三步離線(xiàn)調(diào)試。設(shè)備組裝完成后在非產(chǎn)線(xiàn)狀態(tài)進(jìn)行全面測(cè)試用留樣產(chǎn)品反復(fù)測(cè)試統(tǒng)計(jì)漏檢率和誤檢率測(cè)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(xiàn)試運(yùn)行。設(shè)備接入產(chǎn)線(xiàn)后先不切換到自動(dòng)剔除模式系統(tǒng)只做檢測(cè)和記錄輸出結(jié)果和人工檢測(cè)結(jié)果做比對(duì)。這個(gè)階段是積累信任的關(guān)鍵時(shí)期我會(huì)要求團(tuán)隊(duì)把每天的比對(duì)數(shù)據(jù)保存下來(lái)做成報(bào)表發(fā)給客戶(hù)看。一般跑 2-4 周客戶(hù)看到數(shù)據(jù)趨勢(shì)穩(wěn)定才敢讓你切換自動(dòng)剔除。第五步正式驗(yàn)收與提產(chǎn)。連續(xù)運(yùn)行 72 小時(shí)無(wú)故障、GRR 達(dá)標(biāo)、漏檢率低于客戶(hù)要求簽署驗(yàn)收?qǐng)?bào)告。然后逐步提高產(chǎn)線(xiàn)運(yùn)行速度讓設(shè)備在極限節(jié)拍下再做一輪穩(wěn)定性驗(yàn)證。5.2 驗(yàn)收指標(biāo)怎么定才不會(huì)被坑驗(yàn)收指標(biāo)如果沒(méi)有在合同里寫(xiě)清楚后面項(xiàng)目驗(yàn)收就是一場(chǎng)“拉鋸戰(zhàn)”。根據(jù)我的經(jīng)驗(yàn)有三個(gè)指標(biāo)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(gè)直接影響質(zhì)量客戶(hù)盯得最緊。關(guān)鍵問(wèn)題是“以什么為基準(zhǔn)判定真不合格”——總得和被認(rèn)可的人工檢測(cè)結(jié)果或者更精密的檢測(cè)設(shè)備對(duì)比。合同里我會(huì)寫(xiě)“以雙方確認(rèn)的標(biāo)準(zhǔn)樣品集為基準(zhǔn)”。誤檢率合格品被判為不合格的比率。誤檢率太高會(huì)導(dǎo)致產(chǎn)線(xiàn)頻繁停機(jī)產(chǎn)線(xiàn)工人會(huì)怨聲載道最后設(shè)備被人為關(guān)掉。這個(gè)指標(biāo)對(duì)項(xiàng)目成敗的影響不比漏檢率小。有效稼動(dòng)率系統(tǒng)在產(chǎn)線(xiàn)生產(chǎn)時(shí)間內(nèi)能夠正常參與檢測(cè)的時(shí)間占比。要考慮相機(jī)清灰、程序重啟、日常維護(hù)等占用的時(shí)間。我當(dāng)時(shí)做密封圈項(xiàng)目時(shí)合同里寫(xiě)的是漏檢率 ≤ 0.2%誤檢率 ≤ 3%有效稼動(dòng)率 ≥ 95%。跑下來(lái)實(shí)際數(shù)據(jù)是漏檢率 0.08%誤檢率 1.2%有效稼動(dòng)率 97%——數(shù)字漂亮但如果沒(méi)有提前定好口徑驗(yàn)收當(dāng)天大概率還是要扯皮。6. 常見(jiàn)問(wèn)題與排查技巧實(shí)錄6.1 誤檢率居高不下怎么排查誤檢率高是視覺(jué)檢測(cè)上線(xiàn)初期最常見(jiàn)的問(wèn)題也是最容易讓人上火的問(wèn)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(lái)看一遍如果圖像里缺陷特征不明顯、亮度不均、噪聲嚴(yán)重問(wèn)題大概率在成像端。先查光源有沒(méi)有衰減再查鏡頭表面有沒(méi)有臟污。第二步看判據(jù)邊界。很多誤檢是因?yàn)槿毕萏卣鲃偤寐湓诤细?不合格的臨界區(qū)域算法判定閾值太嚴(yán)。這時(shí)候把閾值適當(dāng)放松一點(diǎn)或者增加一個(gè)“介于邊緣”的復(fù)判區(qū)域——這種圖片自動(dòng)存下來(lái)如果客戶(hù)不能接受自動(dòng)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(lái)自訓(xùn)練數(shù)據(jù)分布和現(xiàn)場(chǎng)數(shù)據(jù)不一致。這時(shí)候把現(xiàn)場(chǎng)的誤檢圖片收集起來(lái)補(bǔ)充到訓(xùn)練集里做增量訓(xùn)練一般跑一輪就會(huì)明顯改善。6.2 檢測(cè)結(jié)果時(shí)好時(shí)壞不穩(wěn)定是怎么回事“昨天還好好的今天一起床就說(shuō)誤檢率飆升”這種問(wèn)題現(xiàn)場(chǎng)出現(xiàn)過(guò)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(hù)附近的自然光角度變了。這就是為什么我一直強(qiáng)調(diào)要做遮光罩再看溫度車(chē)間空調(diào)晚上關(guān)了早上來(lái)了溫度高相機(jī)噪聲變大圖像特征產(chǎn)生微妙變化還要看機(jī)械定位夾具磨損、氣缸壓力波動(dòng)、傳送帶抖動(dòng)零件每次拍照的位置和角度不同檢測(cè)區(qū)域就會(huì)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(jī)構(gòu)最后是軟件層面內(nèi)存泄漏、緩存滿(mǎn)了、日志文件把硬盤(pán)塞滿(mǎn)了這些“軟件慢性病”也會(huì)讓系統(tǒng)運(yùn)行越來(lái)越不穩(wěn)定6.3 深度學(xué)習(xí)模型在新產(chǎn)品型號(hào)上表現(xiàn)差怎么解決產(chǎn)線(xiàn)上最煩的就是“混線(xiàn)生產(chǎn)”——今天做 A 型號(hào)明天做 B 型號(hào)兩個(gè)型號(hào)的外觀差異還很大。深度學(xué)習(xí)模型在訓(xùn)練時(shí)沒(méi)見(jiàn)過(guò) B 型號(hào)自然表現(xiàn)不好。解決策略通常有三個(gè)方向按型號(hào)分模型每個(gè)型號(hào)訓(xùn)練一個(gè)專(zhuān)屬模型運(yùn)行時(shí)根據(jù) PLC 傳來(lái)的產(chǎn)品型號(hào)自動(dòng)切換。效果最好但維護(hù)成本高訓(xùn)練樣本和模型文件都要按型號(hào)管理數(shù)據(jù)增強(qiáng)訓(xùn)練時(shí)對(duì)樣本做隨機(jī)旋轉(zhuǎn)、縮放、亮度變化、添加噪聲等處理提升模型對(duì)形態(tài)變化的適應(yīng)能力。這個(gè)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(hào)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(shí)不錯(cuò)但對(duì)團(tuán)隊(duì)算法能力要求高6.4 一份經(jīng)驗(yàn)沉淀常見(jiàn)問(wèn)題速查表現(xiàn)象優(yōu)先檢查項(xiàng)常見(jiàn)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(biāo)定漏檢率反彈缺陷樣本庫(kù)覆蓋度新型號(hào)/新缺陷未訓(xùn)練收集樣本增量訓(xùn)練檢測(cè)結(jié)果漂移環(huán)境光和機(jī)臺(tái)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(jī)負(fù)載后臺(tái)進(jìn)程占用CPU清理進(jìn)程優(yōu)化代碼通信中斷網(wǎng)線(xiàn)/交換機(jī)工業(yè)現(xiàn)場(chǎng)干擾換屏蔽網(wǎng)線(xiàn)檢查接地7. 最后一個(gè)建議先想清楚要解決什么問(wèn)題再?zèng)Q定要不要上視覺(jué)做了這么多視覺(jué)檢測(cè)項(xiàng)目我最大的感受是技術(shù)本身越來(lái)越成熟真正的難點(diǎn)在于搞清楚自己到底要什么。有些客戶(hù)上來(lái)就問(wèn)“我想用視覺(jué)檢測(cè)替代人工”但你問(wèn)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(lái)的損失有多大檢測(cè)節(jié)拍要求是多少”這些問(wèn)題答不上來(lái)。這種項(xiàng)目做起來(lái)非常痛苦因?yàn)槟繕?biāo)模糊導(dǎo)致方案反復(fù)變更最后成本翻倍體驗(yàn)極差。所以如果你正準(zhǔn)備引入工業(yè)視覺(jué)檢測(cè)我建議先花兩周時(shí)間做一件事——記錄。把產(chǎn)線(xiàn)上每天檢出的不良品拍下來(lái)分類(lèi)、計(jì)數(shù)、分析成因同時(shí)記錄現(xiàn)有人工檢測(cè)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(yàn)收時(shí)判斷系統(tǒng)是否達(dá)標(biāo)的標(biāo)準(zhǔn)。工業(yè)視覺(jué)檢測(cè)替代人工真正的價(jià)值不是“省了幾個(gè)人工資”而是質(zhì)量數(shù)據(jù)的透明化和生產(chǎn)過(guò)程的可追溯。每一張檢測(cè)圖像、每一個(gè)判定結(jié)果、每一條 NG 記錄都在幫你沉淀一批很難用金錢(qián)衡量的生產(chǎn)知識(shí)。從這個(gè)角度看它更像是一場(chǎng)生產(chǎn)方式的升級(jí)而不是簡(jiǎn)單的人員替代。想清楚了這一點(diǎn)項(xiàng)目的方向自然就清楚了。