技术解读 · 公开资料解读,配图为场景示意。
本文要点
AI 视觉质检的前提是缺陷能够被稳定成像,并有一致的判定标准。项目评估应分别检查漏检、误检和整站响应时间,再决定是否扩大应用。
背景与依据
Edmund Optics 的照明技术资料指出,照明方式会影响目标特征的对比度。对视觉质检而言,这提醒我们先验证图像质量,再讨论算法选择。 [1]
同一道划痕,换个角度可能就看不见了
以反光金属表面为例,同一缺陷在不同照射方向下,可能表现为亮线、暗线,也可能与背景混在一起。这个例子用于说明成像条件的影响,不是本站客户的测试结果。
建议在样件验证时保留不同角度、批次和表面状态的原图。如果人工看图都难以稳定区分合格与不合格,应先调整照明、定位或拍摄方式。
先把“什么算缺陷”说清楚
“明显划伤”这样的描述留有较大解释空间。质量人员可以把位置、长度范围、可接受区域和争议样件放在同一份判定说明中,供标注人员与现场复检共同使用。
模型测试要保留没有参与调参的样本。对于样本很少的缺陷,应单独说明验证不足,不能用常见缺陷的表现推断全部质量风险。
上线评估要走完一次完整检查
从触发拍照,到图像处理、判定输出、剔除确认,再到异常品复核,任何一环延迟或失效都可能影响产线。建议把整站流程作为试运行对象。
阅读检测报告时,重点查看缺陷类型对应的漏检数量、合格品误判数量,以及高峰线速下的运行记录。一个笼统的“准确率”不能替代这些信息。
先验证图像,再选择算法
在视觉方案中,澄序工业主张把成像试验、缺陷定义和人工复核一起写入前期任务。对未覆盖的材质、角度和缺陷,不用已经测过的样本替代验证。
阅读要点对照
| 关注点 | 应该看什么 | 容易忽略什么 |
|---|---|---|
| 成像 | 跨批次、跨姿态原图 | 只保存清晰的优选图片 |
| 样本 | 缺陷类型与独立测试集 | 稀少缺陷验证不足 |
| 运行 | 触发到剔除的完整记录 | 只测算法推理速度 |
延伸一问
像素更高,检测就一定更好吗?
不一定。还要看视野、光学分辨能力、对比度、运动模糊和安装条件。选型应以目标缺陷的实际图像为依据。
参考资料与阅读范围
- Common Illumination Types:机器视觉照明方式 ↗
Edmund Optics(光学厂商技术资料) · 技术资料 · 查阅日期:2026-09-10
本文为公开资料解读与方案建议;文中场景和计算示例不代表企业历史业绩。技术要求需结合设备资料与现场条件核验。 来源用于支持上文标明的背景;正文的场景分析与建议不代表来源机构的项目结论或对本站的认可。


