機器視覺基礎: 視覺檢測和光學品質管控

機器視覺基礎描述了三個經常混淆的術語: 機器視覺 (技術)、視覺檢測 (任務) 和光學品質管控 (流程)。該技術結合相機、鏡頭、照明、運算和軟體,在生產線上自動化視覺決策,作為工業自動化的支柱。視覺檢測是這樣一種決策: 通過或失敗、刮痕或乾淨、滿或欠裝。品質管控流程是圍繞它的可稽核包裝,在其下檢測被記錄用於 ISO 9001 或 GMP 稽核。

機器視覺究竟意味著什麼?

機器視覺是結合相機、照明、運算和軟體以在生產線上自動化視覺決策的系統的總稱。決策可以是通過或失敗 (品質)、這是哪個零件 (識別),或零件確切位置在哪裡 (機器人或夾爪導引)。

三個元件始終在運行: 一個影像來源 (相機加照明加光學)、一個解釋影像的演算法 (基於規則的影像處理或神經網路),以及現場對結果採取的動作 (拒絕、記錄、停線、觸發夾爪)。要全面了解這些部分如何組合,我們推薦 工業影像處理指南 和 機器視覺檢測指南 作為伴讀。

視覺檢測在生產線上實際做什麼?

視覺檢測是大多數人談論機器視覺品質時所指的經典任務。當包裝線上的相機檢查每個標籤時,那就是視覺檢測。當射出成型機內的相機標記毛邊或夾雜時,那就是視覺檢測。這個術語描述任務,而不是技術。

實際上,視覺檢測是品質經理立即理解的橋樑術語。他們幾十年來一直手動或用放大鏡進行視覺檢查。自動化相同檢查的相機是一個檢測站。要獲得更深入的定義,請閱讀 什麼是 AI 視覺檢測。

相機、鏡頭和光學: 什麼塑造影像

在任何模型運行之前,相機和鏡頭決定系統擁有多少資訊。三個光學參數驅動每個選擇。

工作距離是鏡頭和零件之間的間隙。短的設置保持設備緊湊,但限制了生產線如何在周圍移動。較長的距離在輸送帶、機器人或操作員共享同一空間時有幫助。

視場是相機在一幀中捕獲的區域。窄幀提高小瑕疵的像素密度;寬的覆蓋整個產品,但每毫米細節較少。大多數專案迭代直到最小的瑕疵類別仍然跨越足夠的像素用於可靠的影像分析。

鏡頭選擇由這兩個參數決定。固定焦距鏡頭更便宜、更銳利、更易校正。變焦鏡頭在生產線產品組合不斷變化時,以銳利度換取靈活性。遠心鏡頭消除透視誤差,是尺寸測量、量規和計量的自然選擇,在這裡一毫米的視差就會破壞讀數。

對於三維特徵,如翹曲、凹痕深度或堆疊零件計數,3D 相機在 2D 影像上加入深度通道。雷射線、結構光或立體對為系統提供鏡頭本身無法恢復的高度圖。

光學還設定了光學字元識別的限制。日期代碼上的 OCR 僅在每個字元在捕獲影像中跨越約 20 像素時才有效。如果鏡頭不能提供,沒有模型可以挽救讀數。

機器視覺的四個演算法類別是什麼?

每個機器視覺專案都屬於四個演算法類別之一。知道哪個適合會改變你需要收集的資料和將構建的照明設定。

第一類是基於規則的影像處理,涵蓋經典測量、邊緣偵測、OCR 和 blob 分析。它是確定性的、快速的、幾十年來都有文件記錄,當幾何和照明穩定時,它仍然是尺寸測量、存在 / 缺失和代碼讀取的正確選擇。

第二類是深度學習分類,神經網路將每個零件分類到通過、刮痕或凹痕等多個類別之一。當瑕疵視覺上一致且每個類別都有標記範例時,它表現良好。這是現代人工智慧最有回報的地方,因為影像對比度驅動模型準確性。

第三類是異常偵測。模型學習好零件的樣子,然後標記任何不匹配的東西,即使是沒人見過的瑕疵類型。當瑕疵罕見、多樣或非重複時,這是正確的選擇。

第四類涵蓋物件偵測和分割。模型逐像素定位每個特徵在影像中的位置。團隊將其用於計數棧板上的零件、隔離批次中的單個細胞,或引導機器人挑選特定物品。

哪四個因素決定你的第一個專案是否上線?

第一個因素是照明,它是機器視覺專案是否有效的最大單一預測因子。照明使瑕疵可見或不可見,沒有演算法能恢復從未存在於影像中的對比度。在接觸模型之前,為照明試驗預算一週。

第二個因素是資料。經典演算法需要仔細選擇的參數,而現代 AI 需要範例,通常為 pilot 需要 50 到 500 張標記影像。正確的數量取決於瑕疵多樣性,更多類別意味著更多影像。

第三個因素是整合。無法與 PLC、MES、控制系統或拒絕擋板對話的機器視覺站是昂貴的裝飾。早期計畫檢測結果如何到達生產線,包括重試、故障狀態和操作員 HMI。

第四個因素是維護。每條生產線都會隨時間變化,所以模型漂移、照明老化、相機積灰。除非有人負責,否則今天工作的站點不是六個月後工作的站點。為持續護理預算建造成本的年度 10% 到 20%。

哪些機器視覺應用上線最快?

包裝上的標籤和印刷檢測是最常見的起點之一。批量大、規則清晰,建築內已經有大量參考影像。ROI 通常在運行的第一條生產線上幾週內得到證明。

瓶子、袋子和泡殼上的密封和填充檢查是另一個快速上線的家族。對於類別特定的 playbook,請參閱我們對 食品包裝 和 製藥包裝 的深入研究。

射出成型和沖壓零件的表面瑕疵也快速上線。瑕疵類別被充分理解,幾何穩定,零件易於照明。這是不想以現場最難的問題開始的中小企業的良好第一個專案。

從哪裡開始

選擇一條每天運行的生產線,帶有你的操作員可以用一句話描述的瑕疵類別。建造一個小型照明設備並捕獲 200 張影像。僅在查看自己的影像後才決定基於規則和學習的方法。要獲得逐技術的更廣泛概述,還請閱讀 機器視覺系統指南。

關於機器視覺基礎的常見問題

機器視覺和視覺檢測有什麼區別?

機器視覺是相機、照明、運算和軟體的技術堆疊。視覺檢測是你可以在其上運行的一項任務,即透過查看零件來決定它是否通過品質檢查。機器人引導和識別等其他任務共享相同的硬體,但解決不同的問題。

第一個機器視覺專案實際需要什麼?

按此順序三樣: 你的操作員可以用一句話描述的瑕疵類別、使瑕疵可見的穩定照明設定,以及 50 到 500 張標記影像。演算法選擇和整合在你查看自己的資料之後,而不是之前。

什麼時候基於規則的方法仍然擊敗 AI?

當檢測是尺寸的、幾何緊密、照明穩定且瑕疵分類封閉時。代碼讀取、存在 / 缺失和微米級測量仍然是經典機器視覺的自然領域。當瑕疵集開放、多樣或依賴微妙紋理變化時,AI 接管。

關鍵要點

機器視覺、視覺檢測和品質管控流程不可互換。它們分別命名技術、任務和程序,工作的生產線通常將所有三者一起使用。

現代系統分為四個演算法類別: 基於規則的演算法、深度學習分類、異常偵測,以及物件偵測或分割。每個都適合不同的瑕疵模式。

照明是專案成功的最大單一預測因子。沒有演算法能挽救瑕疵不可見的影像,所以在任何模型工作之前為照明試驗預算時間。

從第一天開始規劃與 PLC、MES 和拒絕路徑的整合。無法對自己的結果採取行動的獨立檢測站會變成儀表板,而不是控制。

維護是專案的一部分,而不是之後。模型漂移,燈光老化,相機積灰。為持續護理預算建造成本的年度 10% 到 20%。

立即開始

想看看 Enao Vision 如何在你的生產線上工作? 你可以使用已有的 iPhone 免費開始,或 加入社群 與其他將 AI 帶入現場的品質和營運團隊交流。