视觉检测替代目检：外观瑕疵（划痕、凹陷、色差、脏污）、尺寸偏差、装配到位性确认三类需求最常见。行业共识是「打光方案与缺陷样本库决定上线成功率，算法只是其中一环」。本文面向家电、五金、塑料件的质检负责人与工艺工程师，讲清 2D/3D 方案的差异、验收口径、选型清单、顺德本地供给与回报测算逻辑。

场景与工艺要点

三类检测对象

  • 外观检测：划痕、麻点、色差、脏污、批锋；难点是缺陷定义本身模糊，需要用样本图库把「合格/不合格」的边界写清楚。
  • 尺寸测量：轮廓、孔位、间隙面差；远心镜头+背光是常规组合，精度受视野与分辨率约束。
  • 装配确认：螺丝到位、卡扣扣合、标签方向，多为「有/无、对/错」判断，最容易上线。

打光先行

同一缺陷在不同光源下的成像差异可能超过算法差异：暗场适合划痕、同轴光适合平面反光件、穹顶光适合曲面。上线流程的正确顺序是打光打样→样本采集→算法调优→产线试运行，跳过打样直接谈算法是常见的返工根源。

验收口径

  • 过杀率（误判合格品为不良）与漏检率（误判不良品为合格）必须分开提、分开验，两者是此消彼长关系。
  • 样本库要覆盖批次波动：反光角度、油污程度、来料色差的季节性变化，否则量产三个月后指标漂移。
  • 复检兜底：明确机器判 NG 后的人工复检流程与人员，漏检责任划分写进合同。

方案构成

组成 常见配置 作用与说明
成像层 面阵/线阵相机、远心镜头、3D 结构光或激光轮廓仪 尺寸类优先远心，外观类按缺陷类型选光源
光源 环形、条形、同轴、穹顶、背光，配控制器 打光方案的投入产出比高于相机升级
算法层 传统视觉工具+深度学习小样本训练 缺陷样本不足时先上规则算法兜底
执行联动 不良品剔除机构、报警停线 剔除可靠性常被低估
数据层 判定结果与图像存档、MES/SPC 对接 供工艺追溯与再训练

选型要点

  • 分辨率与视野：按「最小缺陷尺寸 ÷ 视野」倒推像素当量，一般要求缺陷尺寸占 3 个像素以上（行业通行经验值）。
  • 节拍：在线全检要核对曝光+处理+剔除的总时间是否吃掉产线节拍余量。
  • 3D 引入时机：反光金属件、深色塑料件用 2D 打光难以稳定时，再评估 3D 方案，成本上一个台阶。
  • 成本区间：单工位视觉系统常见几万至三十万元级，多工位整线可达五十万元以上——行情参考，以集成商打样后报价为准。

顺德本地供给

效益与回报

通行测算逻辑：目检岗位人数（常为三班每班数人）× 全口径人力成本 × 12，叠加三项质量收益——漏检流出客诉减少、过杀造成的良品报废减少、判定数据化后的批次追溯成本下降。检测岗位人员可转复检与样本标注岗，转岗比例要在方案里承诺。投资按成像+算法+剔除全口径计，软件年费（训练服务、模型迭代）单列。行业通行的回收期说法多在 1-3 年，检验标准越严、客诉单价越高的行业回收越快。补贴口径见顺德机器人政策包。

常见问题

2D 与 3D 的适用边界在哪里？

平面反光件、多层深度信息的工件（连接器、堆叠件）是 3D 的主战场；普通平面外观与尺寸用 2D 打光已能覆盖。判断方法是：若 2D 打样在三个以上批次上指标仍不稳，再升级 3D，顺序不要反。

环境光和振动影响大吗？

产线环境光变化会让成像阈值漂移，遮光罩比算法补丁更可靠；上下料振动会带来运动模糊，曝光时间与触发方式（光电/编码器同步）要匹配节拍。

打样要准备什么？

至少 200-500 件覆盖合格与各类缺陷的实物样本（行业常见量级，具体听集成商），含边界样本——「像不良其实是合格」的样本最难也最有价值。

深度学习一定要上吗？

缺陷边界清晰、可用规则描述的先上传统算法，稳定且好解释；纹理复杂、缺陷形态发散的再上深度学习，并预留再训练机制。

换型号要重新调吗？

同类产品共平台时以「参数化模板」为验收项：换型只调参数不重训模型；要求集成商演示换型全流程并计时。

指标漂移怎么办？

约定上线后 1-3 个月的指标复测与免费调优期；把光源老化更换周期、镜头清洁频次写进维护手册。

来源与参考