2026-08-11 00:00:44 作者：网编
分类：文章
机器视觉在工业质检中的那些坑与解法
上个月在佛山一家压铸厂，我盯着那台三万元的国产相机，愣是没找出它误判的原因。后来发现，根本不是算法的问题——是车间顶上那根日光灯管，在下午三点十五分的时候，会形成一道斜45度的反光。就这么一个破事，折腾了我们两天。说实话，那两天我差点把头发抓秃。
机器视觉这东西，听着高大上，其实落地时全是这种破事。这行干久了，你会发现真正难的，不是深度学习那个框架怎么调参，而是怎么搞定现场那堆琐碎到掉渣的变化。今天我就聊聊工业质检里那些容易踩的坑，顺便给点实战解法。也算是给同行们提个醒吧。
先搞清楚你要检测什么
很多老板以为买套相机配个软件就能解决所有质检，扯淡。你要先定义缺陷样本。划痕、脏污、崩角、毛刺，每个类别至少准备一千张真实图片。注意，是真实图片，不是你在实验室里拿样品摆拍的那种。我见过一个项目，客户用刚打磨好的亮面工件拍了一堆样本，结果一上线，实际工件上一堆油污、指纹，模型直接废了。没有这些真实样本，算法再牛也没用。
而且在建样本库的时候，你得把缺陷的特点量化。比如划痕的深浅、宽度、方向，崩角的尺寸、位置。这些信息会直接决定你用什么样的光源和镜头。别图省事，这一步跳过去，后面返工的成本会让你怀疑人生。
压铸件表面缺陷样本分类图
检测项目定了，光学方案就跟着定。表面划痕要用暗场照明，让低角度光打上去，缺陷部分就会散射出亮光；要是检透明瓶子的内部杂质，就得用背光。记住一句话：照明不是把东西照亮，是让缺陷和背景产生对比。光照角度哪怕偏一度，成像效果都可能天差地别。
有一次我们做轴承滚子的表面检测，一开始用环形光源，效果老是有阴影。后来换成同轴光源，干净利落。这事没别的窍门，就是多试几种组合，别嫌麻烦。
镜头和相机的选型
别迷信高分辨率。像素越高，数据量越大，处理速度越慢。工业现场讲究的是节拍。你的产线一秒干三个工件，相机就必须在300毫秒内完成拍照加处理。500万像素够用就千万别上1200万，不然等你调完算法，节拍早跟不上了。
而且像素高未必代表精度高。真正的精度取决于视野大小和传感器尺寸。举个例子，500万像素在100mm视野里，理论精度是0.02mm；但你要是把视野拉大到200mm，同样500万像素，精度就变成0.05mm。所以选型不是光看像素，还得算清你的物理精度需求。
这里有个很扎心的案例。之前一个客户，非要用便宜的C口镜头配2/3英寸的相机。结果呢？画面边缘畸变严重，量测精度直接差了0.05mm，最后被下游客户退货。这就是典型的不懂光学匹配。镜头的靶面必须和相机传感器尺寸匹配，不然边缘画质就废了。
问：那怎么选镜头焦距？答：先算工作距离和视野范围，用公式焦距=工作距离×传感器尺寸÷视野宽度。记住，工业现场能用定焦就别用变焦，变焦镜头震动后焦距容易漂，纯属给自己找麻烦。另外，光圈尽量用小光圈，这样景深大，即使工件有点高度差，也还在焦内，不容易虚。
还要提一句光源控制器。一定要选恒流型的，不然电网电压波动会导致光源亮度漂移，把你的检测结果搅得一团糟。真到那时候，你都不知道该骂谁。
算法和落地的差距
深度学习确实厉害，但落地不容易。你拿几千张图片训练出来的模型，到了现场就会遇到各种幺蛾子。环境光线的变化、工件摆放的细微偏移、新换的一批材料表面反光不同……都可能让模型失灵。这时候你才会明白，实验室里那套“完美”的东西，在车间里就是个定时炸弹。
工业机器视觉深度学习缺陷检测流程示意图
我个人的经验是，传统图像处理算法和深度学习结合着用。有时候一个简单的阈值分割就能搞定，非要上CNN，那就是脱裤子放屁。先跑一遍传统算法，把ROI区域定位好，再去用深度学习分类，鲁棒性会好不少。别一上来就整花活，稳才是关键。
还有，训练集和测试集一定要分开，而且测试集要拿现场数据来测，不能用自己的仿真数据。我见过有人模型准确率报99%，一上现场就掉到60%，为什么？因为测试集和训练集来自同一批样本，妥妥的数据泄漏。
问：那实际调试中，模型过拟合怎么办？答：多收集现场数据，做数据增强。另外，在模型里加正则化，或者用交叉验证。但最关键的，是设计一个闭环反馈机制，让现场新增的误判样本能自动回流到训练集，这样模型才能越用越聪明。
还有，程序崩溃后的恢复机制也得重视。你得设计看门狗，让系统在异常后自动重启并回到运行状态。不然半夜停机，第二天早上产线全停，老板不骂你才怪。这看着不起眼，但真能救你的命。
那些容易忽视的细节
那些容易忽视的细节
最后说说那些不起眼的部件。比如，相机最好用网口连接而不是USB，因为USB线缆在强电磁环境下容易丢帧。跑着跑着图像断了，你查都查不到。还有，车间里油污多、粉尘大，相机外壳防护等级至少要IP65，不然用不了三个月，镜头就糊了。
另外，温度对工业相机的影响也很大。有些相机在常温下没问题，但车间里夏天能到45度，成像噪点会明显增加，暗部细节全没了。有条件的话，加个散热片或者气冷，别心疼那点成本。
线缆的固定也很关键。很多项目初期没问题，但产线一震动，接头松了导致接触不良，图像时好时坏。到时候你排查故障，能排到怀疑人生。所以，所有线缆必须用拖链固定好，并且预留备用线。
这些细节听着琐碎，但任何一个都能让你的系统变成废铁。机器视觉这行没有那么多玄学，多去现场看，多被现场打脸，自然就成长了。数据和光学是根本，算法只是锦上添花。把基础打扎实了，那些看似高大上的AI才能落地。就说到这吧。
最后说一句，机器视觉的项目没有一个是轻轻松松就能上线的，周期至少留出两个月来试错。别被供应商忽悠说什么交钥匙工程，那都是嘴上说说而已。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。如有侵权请联系删除。
文章名称：机器视觉在工业质检中的那些坑与解法
文章链接：https://m.zystgy.cn/a/56713