别急着调算法,先把触发时序和相机标定搞清楚
说实话,我见过太多视觉项目死在一个非常尴尬的地方——不是算法不行,是机械结构跟视觉系统根本没对齐。你摄像头调得再准,气缸推出去的时候产品还没完全到位,或者输送带编码器抖动大得离谱,那套深度学习模型再豪华也是白搭。
智能视觉复检,说白了就是在制造流程末端或者关键工序之间,用工业相机替代人眼做外观、尺寸或者装配完整性的二次确认。注意,是复检,不是首检。这意味着前面已经有一个主检测环节(可能是人工、可能是传感器),而视觉系统要做的是兜底或者全检。
那问题来了:为什么很多工厂买了康耐视或者基恩士的智能相机,跑了两周就闲置?
因为节拍对不上。
你算一下,一个工位节拍1.8秒,相机曝光加传输加处理总共要600毫秒,再给剔除机构留300毫秒动作时间,剩下900毫秒要完成产品定位、夹紧、触发。这还没算PLC扫描周期带来的那几十毫秒抖动。很多方案商报方案的时候拍脑袋说“视觉处理很快的,100毫秒搞定”,装上去一跑,丢帧率直接飙到8%。

标定这件事,90%的人只做了一半
相机标定,很多人觉得拿个棋盘格拍二十张图,跑一遍OpenCV的calibrateCamera就完了。嗯,理论上是没毛病。
但现场不是实验室。
第一,你的相机是装在铝型材架子上的,架子本身刚性够不够?产线一震动,外参全变。第二,标定板放在什么平面上?如果标定板和被测产品的高度差3毫米,在200毫米工作距离、16毫米焦距的镜头下,像素当量可能差出0.8%——对于测量直径10毫米的销钉,这就是80微米的系统误差。够你喝一壶的。
我个人的习惯是:标定必须用和产品等高的基准块,而且标定完成后用标准件跑一遍验证。验证件尺寸要覆盖视场的四个角和中心,看看边缘畸变校正后残差有没有超过±0.05像素。超了?要么镜头不行,要么标定板平面度不够。
远心镜头在精密测量场合几乎是标配,但它的景深往往只有零点几毫米。你的输送带如果有0.3毫米的上下跳动,成像就糊了。这时候要么换大景深远心镜(贵得离谱),要么在工位上加一个气动压紧机构把产品压死在定位面上。
选远心还是普通FA镜头,本质上是测量精度、景深、成本三者的博弈。别信那些“一个镜头打天下”的鬼话。
光源才是真正的暗坑
算法工程师最怕什么?最怕机械工程师跟他说“光的问题你们搞视觉的自己调”。
兄弟,光源是机械设计的一部分。
举个例子。你要检测金属圆柱面上的划痕。用环形光正面打?反光直接让相机饱和,划痕和背景融为一体。用低角度条形光?划痕是出来了,但产品稍微转个角度,对比度就天差地别。
我踩过最狠的一个坑是:铝件表面阳极氧化后做字符复检,用白色同轴光效果很好,结果换了一批供应商,氧化层厚度变了,表面粗糙度从Ra1.6变成Ra3.2,同轴光下字符直接模糊成一团。最后换成红色低角度光加漫射板才稳定下来。
所以,光源选型必须在拿到实际产品之后做打光实验,不能看着图纸拍脑袋。而且最好用可调亮度的控制器,留出±20%的余量——产线环境光变化、光源老化都会吃掉你的对比度。
还有一点,频闪控制器和相机曝光必须同步。如果你用连续光,运动中的产品会有拖影。曝光时间2毫秒,产品运动速度200毫米每秒,拖影就是0.4毫米。对于检测0.2毫米的缺陷,这直接判死刑。

算法层面的工程取舍:传统CV还是深度学习?
现在不提深度学习好像就跟不上时代。但我要说句实话:很多复检场景,传统视觉工具足够了。
尺寸测量、有无判断、位置偏移、简单的外观缺陷(比如缺料、错装),用形态学加blob分析,跑在智能相机上,稳定得一塌糊涂,还不用标注数据。
什么时候该上深度学习?表面纹理复杂、缺陷形态不规则、对比度低到传统算法根本分不开的时候。比如铸件表面的砂眼和缩孔,或者纺织品上的瑕疵。
但是,深度学习模型部署到产线上,你要面对的问题一点不比传统算法少:推理时间能不能压到节拍以内?模型对光照变化的鲁棒性够不够?换批次产品需不需要重新标注?这些都是成本。
我的建议是:先用传统算法打底,把能搞定的部分搞定,剩下的硬骨头再上深度学习。而且深度学习模型最好跑在带GPU的边缘控制器上,别硬塞到智能相机里——算力不够的时候,帧率掉得你想砸设备。
通信与数据追溯:别忘了产线是要干活的

视觉系统输出一个OK/NG信号就完了?那是二十年前的做法。
现在的智能视觉复检,至少要输出:判定结果、测量值、缺陷图像、时间戳、产品序列号。这些数据要跟MES或者PLC做交互,NG品要能追溯到具体的工位和班次。
通信协议上,Profinet和EtherNet/IP是主流,但很多老产线还在用RS-232或者数字IO。如果你用TCP/IP socket通信,注意心跳机制和断线重连——产线电磁干扰大的时候,网线松一下,视觉系统就掉线了,操作工根本不知道。
还有一个容易被忽略的点:视觉系统的判定结果要有超时保护。如果相机卡死或者通信中断,PLC不能傻等,必须在一个固定时间内(比如500毫秒)默认放行或者停机。这个逻辑要在PLC程序里写死,不能依赖视觉软件的心跳。
最后说一句关于验收。别在实验室里验收视觉系统。要在产线上、在实际节拍下、用实际产品、连续跑至少8小时。统计误判率和漏判率,看看有没有漂移。很多系统跑前两个小时完美,第三个小时开始因为温升导致相机噪声增加,NG率突然跳起来。
智能视觉复检不是买一套硬件装上就完事的。它是机械、电气、光学、算法、软件五件事的交集。哪一块短板,都会让整套系统看起来像个昂贵的摆设。
就这些。希望能给正在踩坑或者即将踩坑的你一点参考。