★ FEATURED ARTICLE 第一次真正被视觉检测设备震撼到是在一条连接器生产线的改造现场。三个质检员拿着放大镜对着端子在工位灯下来回翻看手边摆着探针台和塞规节拍一上来人就慌可漏检率始终压不下去。车间负责人把我叫到设备旁看着那台刚进场不久还在调光的CCD光学影像检测设备问了一句很实在的话“你告诉我它到底能不能看见我们想看的东西”这句话看起来基础其实点中了所有2D、3D视觉检测项目的命门——你首先得弄清楚机器到底在“看”什么以及它有没有眼睛看不见的盲区。这些年我前前后后参与过不少视觉检测设备的选型和落地从手机小零件的尺寸测量到锂电池模组的平面度检测再到连接器表面的瑕疵判定踩过的坑比写过的调试报告还多。这篇内容不是教科书式的原理堆砌而是把我在项目中反复验证过的东西整理出来2D检测擅长什么、3D检测补上了什么、CCD光学影像设备里最容易忽略的细节是什么以及一个检测项目从打样到验收到底该怎么走。适合刚接触视觉检测的工程师、准备上自动化产线的制造企业以及想了解检测设备边界的技术人员。1. 机器视觉检测的本质从“人眼看”到“程序判”1.1 一套视觉检测系统的四个核心部分很多人一提到视觉检测下意识觉得就是“相机加电脑”。真到了项目里你会发现一个能稳定跑在产线上的CCD光学影像检测设备至少由四块东西紧密配合。第一是成像模块包括工业相机、光学镜头、光源以及必要的结构件它的任务是把目标物体的特征转化为清晰的数字图像第二是运动与上下料机构不管是流水线输送、转盘分度还是机械手抓取都要保证相机能在正确的位置、正确的时刻拍到正确的画面第三是算法处理单元也就是运行着图像处理软件的工控机或嵌入式平台负责从图像里提取边缘、寻找缺陷、计算尺寸第四是判定与执行机构把算法结果通过IO口或总线发给PLC让机械结构自动完成分选、剔除或报警。四者缺一不可。我见过不少方案把预算全砸在好相机上结果机构晃动导致每张图都糊算法再强也白搭也见过把算法调得很漂亮但现场光照一变误判率立刻失控。这四块的匹配程度决定了一台检测设备是“实验室里能用”还是“产线上稳定跑”。1.2 为什么要把2D和3D分开谈好多人觉得2D和3D只是“多了一个维度的数据”反正都是拍照。但实际工程里这两种技术对应的检测逻辑完全不同误判边界也完全不同。2D视觉检测拿到的是目标在空间某个方向上的投影图本质是把三维物体压扁成二维灰度或彩色图像只能看到长和宽丢掉高度。3D视觉检测则能直接采集物体表面的深度信息重建出轮廓和高度差。打个比方2D像你举着照片判断一个盒子是否平整照片拍得再清楚你也看不出盒子的表面是否鼓起3D则像你真正用手摸一遍表面哪里高哪里低一目了然。这种维度差异决定了它们在产线上的分工。纯粹的长宽尺寸、平面内的孔位、对比度明显的外观缺陷2D又快又稳而涉及高度差、翘曲、共面度、焊接轮廓饱满度的检测项就必须上3D。很多复杂项目实际是2D和3D混用2D负责定位和纹理判别3D负责测量高度和形貌最后再融合判定。2. 2D视觉检测平面的精进以及它的天然盲区2.1 2D能胜任的检测项尺寸、外观与定位2D视觉检测是机器视觉里最成熟、成本最低的一类也是很多企业接触视觉检测的第一站。它擅长的事情可以归纳成三大类。第一类是几何尺寸测量。利用边缘提取算法找到工件轮廓再计算长、宽、圆直径、孔间距、角度等项目。测量稳定度足够高时像素级配合亚像素边缘拟合能把精度推到微米附近。第二类是外观缺陷检测。通过灰度对比和纹理差异识别划痕、脏污、缺料、毛刺等。这里的关键是让缺陷在图像里“显形”比如把同轴光打到高反光表面划痕会变成清晰的暗线条。第三类是位置定位与引导。视觉计算工件相对机械手的偏移和旋转角度引导机械臂抓取、装配、贴合。这类应用对精度要求通常不高但对实时性很敏感常见的定位算法是模板匹配加亚像素仿射变换。2D还有一个重要分支是读码与OCR包括二维码识别和字符读取在食品包装、医药追溯领域到处都是。这些功能背后的算法很成熟落地时真正要调试的反而是打光和触发时机。2.2 2D的软肋高度、反光与层叠2D最让人头疼的不是算法不够好而是信息天然缺失。哪怕一台像素再高的相机拍到的也只是投影遇到几种特殊情况就会翻车。第一类是高度信息缺失。工件表面出现气泡鼓起、轻微翘曲时在正上方拍一张平面图灰度几乎没变化人眼也难判断但手一摸就知道不平。这时2D再怎么增强对比度也无济于事。第二类是镜面反光。金属端子、抛光表面、导光板这类目标在光照下会出现高光区域原本的划痕藏在反光里或者反光本身被算法误判为缺陷。这个坑我踩过不止一次最后往往要靠调整光源角度甚至改用3D方案才能解决。第三类是透明与半透明材质。透明玻璃、薄膜覆盖物在普通打光下几乎没有对比度边缘定位极不稳定典型的例子是检测塑料托盘的隔板位置2D经常找不准边界。还有一个常见问题是零件层叠后的遮挡。几个元件叠在一起时2D只能看到最上面一层下层的高度和间隙完全不可知这同样超出2D的能力边界。遇到这类情况别在2D算法里死磕要么改成侧视组合光路要么直接换3D成像。2.3 2D精度的计算与工程冗余精度是选型时最先被问到的也是最容易被误解的。很多人一上来就报“像素分辨率多少多少”仿佛分辨率就等于精度。真相是像素分辨率只是理论极限实际稳定的测量精度还要除以一个安全系数。具体算起来不复杂。假设视野宽度FOV是50mm相机横向像素数是2448那每个像素对应的物理尺寸就是50除以2448大约0.0204mm这就是像素分辨率。单像素检测在理想情况下可以做到但边缘拟合、亚像素插值能达到约1/5像素的水平也就是0.004mm左右。然而实际产线存在照明波动、工件高度浮动和机构微振动这些误差会叠加。所以我的工程经验是目标公差线至少要是像素分辨率的3到5倍才敢说“稳定测量”。举个例子某客户要求检测一个宽度公差为正负0.05mm的槽宽也就是全宽公差0.1mm。按五分之一规则像素分辨率至少要小于0.02mm。用刚才50mm视野配5M相机的方案刚好卡线建议直接换成1200万像素级相机或者缩小视野到30mm左右给后期调试留出余量。视觉检测项目里“精度刚刚好”往往等于“验收时提心吊胆”留足冗余才是工程常态。3. 3D视觉检测补上“高度”这一维盲区被照亮3.1 三种主流3D成像方案怎么选3D视觉检测这几年普及得很快主要方案可以分成三类激光三角法、结构光法、飞行时间法。它们在精度、速度和使用场景上差异很大选错了代价很高。激光三角法是目前工业测量里用得最多的方案。激光器在被测表面投射一条亮线相机从固定角度斜视表面高度变化会让激光线在图像上横向移动偏移量经过标定换算成高度数据。这种方案Z轴精度可以做到微米级扫描速度快很适合连接器端子共面度、焊接高度、电路板翘曲这类硬测量。结构光法向表面投影条纹或编码光栅通过相位解算得到深度适合静止的精细三维重建精度高但速度偏慢多用于精密零件全形貌检测。飞行时间法直接测量光脉冲往返时间速度快、能做大视野但精度通常在毫米级更适合仓储体积测量和机械臂抓取定位这类不需要太细的场景。用一句话记住要微米级高度就选激光三角要精细形状就选结构光要大范围快扫就选飞行时间。三者不是越好越贵而是越匹配场景越划算。3.2 3D检测能发现哪些2D发现不了的问题3D的价值不在于“看起来更酷”而在于它把高度变成可量化数据从而解锁了一系列新检测项。平面度是典型的3D专属项。一块垫片放在平台上2D永远分不清它是平整还是弓起而3D点云拟合出平面后能直接算出起伏的最大差值也就是PV值。共面度也类似检查一排BGA锡球或连接器端子的顶部是否在同一高度2D只能看位置3D能直接测高度差。还有翘曲检测电池模组或电路板在受热后可能变形3D扫描边缘就能量化翘曲的量。焊接质量检测也受益很大焊缝的高度、宽度、平整度都能重建出来焊点是否凹陷、是否过高一个剖面数据就说明问题。我做过一个电池模组的平整度项目诉求很简单确认模组顶面与外壳贴合后没有隆起。用2D拍照怎么调光都没用因为隆起区域在投影图里几乎没有灰度变化。换成激光三角扫描后整个顶面高度云图一出来哪里高了0.2mm哪里凹陷了0.1mm一目了然。3.3 点云数据如何变成合格判定3D的原始输出是一堆三维坐标点也就是点云。真正交给设备判定前这些点要经过几步处理。第一步是预处理去除离群点和干扰点。比如工件表面有油污、镜面反射导致传感器跳变这些异常点不清理后续测量就会被带偏。第二步是兴趣区域提取只保留需要测量的区域比如某根端子、某个焊点周围避免其他结构干扰。第三步是拟合基准面或基准元素被测高度往往不是绝对值而是相对某个拟合平面的相对值。第四步是目标量化计算点云到基准面的最大距离、平均距离、区域方差等指标。最后一步才是阈值判定把这些指标和公差对比输出合格或不合格。听起来步骤多但在商用视觉软件和开源库里都有现成模块实际开发的工作量主要在做针对性的参数调优。需要特别提醒的是3D系统的标定比2D麻烦得多X、Y、Z三个方向都要校而且对温度敏感现场标定环境一变精度就会漂。4. CCD光学影像系统的工程细节光源、镜头和相机的配合4.1 行业里叫“CCD”实际用的是怎样的成像单元在工厂里管视觉检测设备叫“CCD检测机”这个叫法沿用了很多年。严格来说现在不少设备内部用的传感器已经是CMOS但行业习惯并没有改大家都这么叫新入行的人容易因此产生误会是不是必须用CCD传感器才算专业从工程上看CCD和CMOS各有适用面。CCD传感器的灵敏度和像素均匀性历来表现不错在弱光场景下噪声控制好而且天然的全局曝光机制适合拍高速运动目标。代价是帧率偏低、功耗大、成本高。CMOS早期卷帘快门和噪声被人诟病但这几年技术进步很快工业级全局曝光CMOS已经普及帧率普遍更高价格更友好。实际选型我会先看场景需要极弱光成像、极端小的靶面特殊应用选CCD常规高速在线检测选高性价比全局CMOS往往更划算。一台CCD光学影像检测设备的核心竞争力从来不是“传感器用了什么”而是光学系统的整体配合。传感器只是接收光的末端决定图像质量的更多在于镜头和光源。4.2 镜头选型畸变、景深与远心镜头镜头是光学系统里最容易被“差不多先生”糊弄过去的部件。一个常见的错误是拿普通工业镜头做精密尺寸测量拍出来的图像边缘存在桶形畸变视野边缘的工件会被放大或缩小测量结果跟着飘。解决畸变问题尺寸检测类项目一般直接上远心镜头。远心镜头能让光线近似平行进入放大倍率不随物距变化工件在景深范围内移动成像大小保持不变这才是高精度测量的基础。价格比普通镜头贵不少但如果目标公差只有几十微米这笔钱不能省。除了畸变还要重点关注景深和光圈。景深不够时工件高度稍有差异就发虚。一个实用技巧是量一下实际来料的高度波动范围把这个范围纳入镜头工作距离的考核。光圈也不是越小越好衍射效应会让图像变糊工程上常在小光圈增强景深和衍射极限导致的清晰度损失之间找平衡点。4.3 光源设计是决定成败的隐藏变量我做视觉检测项目那么多年最大的心得只有一句话光源打对了项目成功一半。很多“算法解决不了的问题”最后都靠换打光方式解决。常规打光方式里环形光适合做通用照明阴影少同轴光利用半反半透镜让光线沿相机光轴垂直照射适合高反光平面的表面检测比如镜片上的划痕、硅片上的文字低角度环形光从侧面掠射凹凸缺陷会产生明暗对比这种暗场方式对压印、刻痕特别敏感背光把工件照成剪影测量外轮廓尺寸最稳定穹顶光把光线漫射到整个表面适合曲面的均匀照明。选光源还要注意波长。金属件反光严重可见光容易过曝可以用偏振片过滤眩光透明件想要有对比度可能需要紫外光激发荧光或者红外光穿透。我自己的习惯是无论客户多么着急第一周都要把所有可行的打光组合都试一遍有些缺陷在明场下看不见到暗场下会变成白亮的点这种经验不是参数表里写得出来的。5. 从打样到验收视觉检测项目的推进方法论5.1 需求拆解别急着买相机每当我听到“先弄台样品机试试”这种话都会先踩一脚刹车。视觉检测项目的起点不是设备而是把需求翻译成可验证的技术指标。要明确五类信息检测对象的确切规格包括材料、公差、表面状态需要检测的项目清单尺寸、缺陷、高度还是组合产线节拍单件允许的检测时间是多少误判率和漏判率的要求不同行业差异很大以及环境条件温度、粉尘、振动、光线。这些信息直接决定成像方案、算法复杂度和硬件成本。比如同样检测一个螺丝不要求节拍的实验室方案和每分钟三百个的在线方案设备造价能差出好几倍。我习惯把需求整理成一张表格让客户逐项签字确认。后面验收时这张表就是扯皮利器也是自己判断方案可行性的依据。5.2 打样验证阶段最容易犯的错打样阶段最常见的错误是只用三五个所谓的“好样品”来验证。视觉检测行业有句话叫“样品不够调试来凑”不光是数量要够质量分布更要全面。规范的打样要凑齐三类样品大量合格品用来确认不误判带典型缺陷的临界品用来确认能检出接近公差极限的样品用来验证测量的稳定性和边缘行为。数量上我一般建议至少三十到五十个缺陷样品的种类要覆盖实际会遇到的形态。如果样品太少算法就会过拟合看着离线测试百分之百通过上线第一天就误判满天飞。打样阶段还要顺手记录每个样品在多次成像下的重复性数据。同一个好品拍五十次测量值波动多少这个波动包含了照明波动、传感器噪声和机构微抖动的影响它才是设备真实能力的天花板。5.3 误判率与漏判率的平衡智慧很多环节验收时纠结于一个指标误判率越低越好。但工程里误判率和漏判率是一对跷跷板阈值卡得严漏判少了误判会上去阈值放松误判降了坏品又可能溜过去。哪边更重要取决于业务背景。如果漏判一个坏品会流到客户手里造成大额索赔那宁可误判多一点把废品也拦住如果误判一个合格品意味着损失几十块钱的材料成本而漏判的地理风险不高那可以适当放松。实操中还要引入“复判”机制首次判定为不合格的目标可以重新补拍一次或调整判定模式再确认这样能把误判降下来不少。我有一个项目通过增加一个传感器数据融合把误判率从百分之七降到百分之一出头。可见纯粹调阈值不是唯一手段更聪明的做法是把不同维度的信息叠加起来做联合判断。5.4 两个典型项目的方法对照这里说两个完全相反的案例能帮大家建立直觉。第一个是连接器端子共面度检测。端子表面高反光有镜面效应用2D看氧化斑和划痕非常吃力更别说判断高度。项目最终用3D激光轮廓扫描加远心镜头扫描后点云拟合基准面逐根计算端子相对高度和俯仰角度。为了消除机构振动的影响结构设计上把传感器刚性固定在龙门架上还在算法里加了触发信号同步每次扫描都锁定同一个相位重复性明显提高。最终设备稳定运行两年误判率维持在百分之一点几。第二个是精密小螺丝表面缺陷检测。这种目标用3D反而大材小用真正要解决的是高反光和微小刮伤的对比度问题。最后用CCD光学影像检测设备配低角度环形光加同轴光分别抓拍两个方向的光路图暗场下磕碰变成亮点同轴光下表面脏污变成灰斑两组图像经过特征融合后共同判定。这个方案既控制了成本又满足了二十微米级别微小缺陷的检出需求。两个项目对照下来能发现3D解决“高度未知”的问题2D解决“对比度隐藏”的问题它们不是替代关系而是互补关系。5.5 产线落地时的环境与执行细节设备调试到满意只是第一步真正的挑战在产线连续运转之后。环境因素中影响最大的是振动和温漂。振动会导致图像模糊尤其在曝光时间较长时解决办法是缩短曝光并加强频闪光源或者把相机和光源装在独立的防振支架上。温漂会让3D标定参数慢慢失效所以设备最好在开机后稳定一段时间再进行检测或者软件里加定期自动校验的机制。还有一个经常被忽视的细节是镜头的清洁和维护。粉尘落到镜片上起初只是图像变暗一点点但灰度变化就可能造成误判率缓慢爬升。我会给每台设备配一个定期清洁SOP要求操作员每周用指定工具擦拭镜片并在日志里记录图像对比度变化。这类细节在验收时不起眼却是设备能否长期保持稳定的关键。最后就是防错机制了。视觉检测设备输出结果不是终点剔除动作是否可靠、数据是否可追溯、报警是否及时会决定整个产线的质量闭环。设计时把软件和PLC的握手协议理清把每次检测图像存档出了问题能回溯这才是能让人安心的视觉检测系统。写在设备稳定运行之后做了这么多视觉检测项目我最大的体会是别神话任何一项技术也别轻视任何一个细节。2D视觉检测在平面检测里依然是性价比之王3D视觉检测在高度维度上无可替代CCD光学影像检测设备的真正价值来自光学系统整体配合而这些都不是摄像头越贵就越自动能搞定的事情。如果让我给刚入行的朋友一个最朴素的建议那就是从打光开始。找一台样品机把光源组合试一圈看同一个缺陷在不同光路下的表现你会迅速理解“成像决定算法上限”这句话的含义。真正厉害的视觉检测工程师不是在算法代码上炫技而是能说清楚“这个工件应该用什么光、什么镜头、什么传感器才能让那个缺陷自己现形”。掌握了这一点无论2D还是3D都能游刃有余。
阅读完成 · 觉得有帮助？
