今天也很抽象 发表于 2026-9-15 15:03:27

从像素到质检:工业机器视觉是如何“看懂”产品的?

       生产线上,一块金属件快速经过检测工位。
  相机闪了一下,系统随即给出结果:表面存在划痕,不合格。
  从拍照到判断,整个过程可能只用了几十毫秒。没有人工翻转产品,没有人拿着放大镜反复确认,设备已经完成了定位、检测和分拣。
http://img43.chem17.com/5/20260817/639225474978242655807.png
  这就是工业机器视觉见的工作场景。
  它看起来像是在“拍照”,但真正发生的事情远比拍照复杂。相机负责采集图像,算法负责从图像中寻找线索,最终把“看见”转化为“判断”。
  人看到一个零件,会自然注意它的形状、颜色、孔位和表面状态。
  机器最初看到的却不是“零件”,而是一组像素。
  每个像素都记录着某个位置的亮度或颜色。成千上万个像素排列在一起,才构成我们熟悉的图像。
http://img47.chem17.com/5/20260817/639225474987089846991.png
  例如,一张1600×1200像素的工业图像,包含192万个像素。机器视觉要做的,就是从这些数字中找出变化:哪里突然变亮,哪里出现了边缘,哪里的纹理和正常区域不同。
  对人来说,那是一道划痕;对机器来说,可能是一串连续的灰度变化。
  对人来说,那是一颗漏装的螺丝;对机器来说,可能是目标区域内少了一个特定形状。
  这也是机器视觉的基本逻辑:先把产品转换成图像,再把图像转换成可计算的数据。
  很多人次接触机器视觉,容易把注意力全部放在算法上。
  实际上,现场项目中经常出现这样的情况:算法没有问题,图像却根本不适合检测。
  金属表面反光,划痕被亮斑覆盖;透明包装产生重影,边缘无法提取;产品位置稍有变化,检测区域就发生偏移;设备振动造成图像模糊,再好的模型也难以稳定判断。
http://img55.chem17.com/5/20260817/639225474988938170569.png
  因此,一套视觉系统通常不只是相机和软件,还包括镜头、光源、安装结构、触发装置和处理单元。
  光源决定缺陷能不能显现,镜头决定细节能不能看清,相机决定图像能不能被稳定采集,算法则负责把这些信息变成结果。
  很多成熟项目并不是“算法有多复杂”,而是把光学、机械和软件配合得足够稳定。
  工业现场采集到的原始图像,很少能直接拿来检测。
  光照不均、背景干扰、噪声、反光、产品偏移,都可能影响结果。因此,系统往往会先对图像进行预处理。
  比如调整亮度和对比度,让缺陷与背景之间的差异更明显;通过滤波减少噪声;利用定位标记校正产品位置;将彩色图像转换为灰度图像,降低后续处理难度。
  这里的目标不是让图片更漂亮,而是让特征更稳定。
  一张适合检测的图像,不一定符合摄影审美。它甚至可能对比强烈、颜色失真,但只要能清楚地突出孔位、轮廓、字符或缺陷,就是一张有价值的工业图像。
  许多工业检测任务并不依赖丰富的颜色信息,反而更关注亮暗变化。
  在常见的灰度图像中,每个像素的数值通常在0到255之间。数值越小,颜色越暗;数值越大,颜色越亮。
  如果一个产品表面原本均匀,而某个区域突然出现明显的灰度差异,系统就会把它标记为可疑区域。
  污点、凹坑、裂纹、异物和划伤,往往都会在灰度上留下痕迹。
  但仅仅发现“这里不一样”还不够。
  系统还要继续判断这个区域有多大、形状如何、位于什么位置、是否超过允许标准。只有把灰度、面积、轮廓和位置结合起来,才能形成可靠的质检结论。
  机器视觉中的能力之一,就是寻找边缘。
  产品轮廓、孔洞、台阶、裂纹和标签边界,通常都对应着像素值快速变化的位置。算法找到这些变化,就能勾勒出物体的形状。
  有了边缘,系统就可以测量长度、直径、间距、角度和位置偏差。
  轴承内径是否超差,标签是否贴歪,瓶盖是否压紧,零件是否装反,很多检测任务本质上都是在寻找边缘并进行几何计算。
  工业视觉中的“测量”,并不是拿尺子去量,而是在像素坐标中寻找位置,再通过标定换算成真实尺寸。
  因此,相机分辨率、拍摄距离和标定精度,都会直接影响最终测量结果。
  对于规则明确的检测,传统视觉算法仍然非常有效。
  例如,孔位偏差不能超过某个范围,缺陷面积不能大于某个数值,字符必须出现在指定区域。工程师可以直接设定判断条件,系统按照标准执行。
  这类方法速度快、逻辑清楚,也方便追溯。
  但有些缺陷并不规则。
http://img55.chem17.com/5/20260817/639225474991281737479.png
  布料上的污渍形态各异,焊缝缺陷没有固定轮廓,食品外观也很难用几个阈值概括。面对这些复杂情况,深度学习开始发挥作用。
  通过大量正常样本和缺陷样本训练,模型可以学习两者之间的差异,再对新图像进行判断。
  传统算法更像是在明确告诉机器“哪里算异常”,深度学习则是在让机器自己总结“异常通常长什么样”。
  实际项目中,两者经常一起使用。
  传统算法负责定位、校正和尺寸测量,深度学习负责处理复杂纹理和不规则缺陷。相比单纯追求某一种技术,这种组合往往更稳定。
  人工目检灵活,也能处理一些复杂情况,但长时间重复检测容易疲劳,不同人员之间也可能存在判断差异。
  机器视觉的优势在于速度稳定、标准统一,并且可以持续记录数据。
  它不仅能判断产品是否合格,还能统计缺陷类型、出现位置和发生频率。经过一段时间积累,这些数据可以反过来帮助企业分析生产过程。
  某一类划痕突然增加,可能意味着设备夹具出现磨损;某个孔位连续偏移,可能意味着装配机构需要调整;某批产品亮度异常,也可能与原材料或工艺参数有关。
  从这个角度看,机器视觉的价值不只是剔除不良品,还包括提前发现生产波动。
  在电子制造中,视觉系统可以检查元器件是否漏装、错装或偏移。
  在汽车制造中,它可以检测焊点、零件尺寸和表面状态。
  在食品与医药行业,它可以识别包装破损、标签错误、异物和装量异常。
  在锂电池、半导体和光伏生产中,许多微小裂纹、脏污和结构缺陷,也越来越依赖高分辨率视觉检测。
http://img55.chem17.com/5/20260817/639225474994094428202.png
  这些系统并不真正理解“产品”这个概念。
  它们只是不断分析像素、灰度、边缘、纹理和形状,再根据既定规则或训练结果完成判断。
  但正是这套看似机械的过程,让质检从依赖经验的人工观察,逐渐转向稳定、可记录、可追溯的数据判断。
  生产线上的相机按下快门时,留下的并不只是一张照片。
  它记录的,是一件产品是否合格的证据。
页: [1]
查看完整版本: 从像素到质检:工业机器视觉是如何“看懂”产品的?