机器视觉基础: 视觉检测和光学质量控制

机器视觉基础描述了三个经常混淆的术语: 机器视觉 (技术)、视觉检测 (任务) 和光学质量控制 (流程)。该技术结合相机、镜头、照明、计算和软件,在生产线上自动化视觉决策,作为工业自动化的支柱。视觉检测是这样一种决策: 通过或失败、划痕或干净、满或欠装。质量管理流程是围绕它的可审计包装,在其下检测被记录用于 ISO 9001 或 GMP 审计。

机器视觉究竟意味着什么?

机器视觉是结合相机、照明、计算和软件以在生产线上自动化视觉决策的系统的总称。决策可以是通过或失败 (质量)、这是哪个零件 (识别),或零件确切位置在哪里 (机器人或抓手引导)。

三个组件始终在运行: 一个图像源 (相机加照明加光学)、一个解释图像的算法 (基于规则的图像处理或神经网络),以及车间对结果采取的动作 (拒绝、记录、停线、触发抓手)。要全面了解这些部分如何组合,我们推荐 工业图像处理指南 和 机器视觉检测指南 作为伴读。

视觉检测在生产线上实际做什么?

视觉检测是大多数人谈论机器视觉质量时所指的经典任务。当包装线上的相机检查每个标签时,那就是视觉检测。当注塑机内的相机标记毛边或夹杂时,那就是视觉检测。这个术语描述任务,而不是技术。

实际上,视觉检测是质量经理立即理解的桥梁术语。他们几十年来一直手动或用放大镜进行视觉检查。自动化相同检查的相机是一个检测站。要获得更深入的定义,请阅读 什么是 AI 视觉检测。

相机、镜头和光学: 什么塑造图像

在任何模型运行之前,相机和镜头决定系统拥有多少信息。三个光学参数驱动每个选择。

工作距离是镜头和零件之间的间隙。短的设置保持设备紧凑,但限制了生产线如何在周围移动。较长的距离在传送带、机器人或操作员共享同一空间时有帮助。

视场是相机在一帧中捕获的区域。窄帧提高小缺陷的像素密度;宽的覆盖整个产品,但每毫米细节较少。大多数项目迭代直到最小的缺陷类别仍然跨越足够的像素用于可靠的图像分析。

镜头选择由这两个参数决定。固定焦距镜头更便宜、更锐利、更易校准。变焦镜头在生产线产品组合不断变化时,以锐利度换取灵活性。远心镜头消除透视误差,是尺寸测量、量规和计量的自然选择,在这里一毫米的视差就会破坏读数。

对于三维特征,如翘曲、凹痕深度或堆叠零件计数,3D 相机在 2D 图像上添加深度通道。激光线、结构光或立体对为系统提供镜头本身无法恢复的高度图。

光学还设置了光学字符识别的限制。日期代码上的 OCR 仅在每个字符在捕获图像中跨越约 20 像素时才有效。如果镜头不能提供,没有模型可以挽救读数。

机器视觉的四个算法类别是什么?

每个机器视觉项目都属于四个算法类别之一。知道哪个适合会改变你需要收集的数据和将构建的照明设置。

第一类是基于规则的图像处理,涵盖经典测量、边缘检测、OCR 和 blob 分析。它是确定性的、快速的、几十年来都有文档记录,当几何和照明稳定时,它仍然是尺寸测量、存在/缺失和代码读取的正确选择。

第二类是深度学习分类,神经网络将每个零件分类到通过、划痕或凹痕等多个类别之一。当缺陷视觉上一致且每个类别都有标记示例时,它表现良好。这是现代人工智能最有回报的地方,因为图像对比度驱动模型准确性。

第三类是异常检测。模型学习好零件的样子,然后标记任何不匹配的东西,即使是没人见过的缺陷类型。当缺陷罕见、多样或非重复时,这是正确的选择。

第四类涵盖物体检测和分割。模型逐像素定位每个特征在图像中的位置。团队将其用于计数托盘上的零件、隔离批次中的单个细胞,或引导机器人挑选特定物品。

哪四个因素决定你的第一个项目是否上线?

第一个因素是照明,它是机器视觉项目是否有效的最大单一预测因子。照明使缺陷可见或不可见,没有算法能恢复从未存在于图像中的对比度。在接触模型之前,为照明试验预算一周。

第二个因素是数据。经典算法需要仔细选择的参数,而现代 AI 需要示例,通常为 pilot 需要 50 到 500 张标记图像。正确的数量取决于缺陷多样性,更多类别意味着更多图像。

第三个因素是集成。无法与 PLC、MES、控制系统或拒绝挡板对话的机器视觉站是昂贵的装饰。早期计划检测结果如何到达生产线,包括重试、故障状态和操作员 HMI。

第四个因素是维护。每条生产线都会随时间变化,所以模型漂移、照明老化、相机积灰。除非有人负责,否则今天工作的站点不是六个月后工作的站点。为持续护理预算建造成本的年度 10% 到 20%。

哪些机器视觉应用上线最快?

包装上的标签和印刷检测是最常见的起点之一。批量大、规则清晰,建筑内已经有大量参考图像。ROI 通常在运行的第一条生产线上几周内得到证明。

瓶子、袋子和泡罩上的密封和灌装检查是另一个快速上线的家族。对于类别特定的 playbook,请参阅我们对 食品包装 和 制药包装 的深入研究。

注塑和冲压零件的表面缺陷也快速上线。缺陷类别被充分理解,几何稳定,零件易于照明。这是不想以车间最难的问题开始的中小企业的良好第一个项目。

从哪里开始

选择一条每天运行的生产线,带有你的操作员可以用一句话描述的缺陷类别。构建一个小型照明设备并捕获 200 张图像。仅在查看自己的图像后才决定基于规则和学习的方法。要获得逐技术的更广泛概述,还请阅读 机器视觉系统指南。

关于机器视觉基础的常见问题

机器视觉和视觉检测有什么区别?

机器视觉是相机、照明、计算和软件的技术堆栈。视觉检测是你可以在其上运行的一项任务,即通过查看零件来决定它是否通过质量检查。机器人引导和识别等其他任务共享相同的硬件,但解决不同的问题。

第一个机器视觉项目实际需要什么?

按此顺序三样: 你的操作员可以用一句话描述的缺陷类别、使缺陷可见的稳定照明设置,以及 50 到 500 张标记图像。算法选择和集成在你查看自己的数据之后,而不是之前。

什么时候基于规则的方法仍然击败 AI?

当检测是尺寸的、几何紧密、照明稳定且缺陷分类封闭时。代码读取、存在/缺失和微米级测量仍然是经典机器视觉的自然领域。当缺陷集开放、多样或依赖微妙纹理变化时,AI 接管。

关键要点

机器视觉、视觉检测和质量管理流程不可互换。它们分别命名技术、任务和程序,工作的生产线通常将所有三者一起使用。

现代系统分为四个算法类别: 基于规则的算法、深度学习分类、异常检测,以及物体检测或分割。每个都适合不同的缺陷模式。

照明是项目成功的最大单一预测因子。没有算法能挽救缺陷不可见的图像,所以在任何模型工作之前为照明试验预算时间。

从第一天开始规划与 PLC、MES 和拒绝路径的集成。无法对自己的结果采取行动的独立检测站会变成仪表板,而不是控制。

维护是项目的一部分,而不是之后。模型漂移,灯光老化,相机积灰。为持续护理预算建造成本的年度 10% 到 20%。

立即开始

想看看 Enao Vision 如何在你的生产线上工作? 你可以使用已有的 iPhone 免费开始,或 加入社区 与其他将 AI 带入车间的质量和运营团队交流。