工业视觉检测：自动化生产线上的缺陷与尺寸测量
工业视觉检测：自动化生产线上的缺陷与尺寸测量
工业视觉检测是智能制造的眼睛，通过摄像头和图像处理算法自动完成产品外观缺陷识别、尺寸精密测量与定位引导，替代人眼实现高速、稳定、可量化的质量管控。本教程将从零讲解构成要素、成像设计、核心算法及产线应用。
一、什么是工业视觉检测
工业视觉检测系统模仿人类视觉，但由工业相机、镜头、光源、图像采集卡与视觉处理软件组成。它通过获取被测目标的数字图像，利用预设算法提取关键特征，最终输出“通过/不通过”“尺寸数值”“位置坐标”等结果，联动PLC、机器人或剔除装置形成闭环控制。
典型的检测流程：
触发拍照 → 图像采集 → 预处理 → 特征提取 → 判定与输出 → 数据记录
与普通拍照的区别：工业视觉追求极致的重复性、一致性和鲁棒性，能在粉尘、振动、高速运动（每秒数百件）下稳定运行。
二、应用场景概览
在自动化生产线上，工业视觉主要承担三类任务：
| 任务类型 | 典型场景 | 检测内容 |
|---|---|---|
| 缺陷检测 | 电子元器件外观、玻璃划痕、注塑毛刺 | 划痕、脏污、缺件、变形、颜色异常 |
| 尺寸测量 | 精密零件外径、连接器pin针间距 | 长度、角度、孔径、位置度、轮廓度 |
| 引导定位 | 机械手抓取、丝印对位、PCB插件 | 工件姿态、坐标偏移、旋转角度 |
本教程聚焦前两者，它们是产线上最常见、直接影响良率的关键环节。
三、视觉系统的硬件选型基础
初学者在搭建方案时，需要重点理解三大核心硬件：相机、镜头、光源。
1. 工业相机
- 传感器类型：CCD（成像质量高，逐渐被取代）与CMOS（速度快，性价比高，主流选择）。
- 分辨率：根据检测精度决定。例如，视野为50mm×40mm，要求精度0.02mm，则需要 50/0.02=2500 像素（长边），即至少500万像素相机。
- 帧率：匹配产线速度。运动物体必须使用全局快门(Global Shutter)避免拖影，卷帘快门只适合静止拍摄。
- 接口：GigE(千兆网，长距离)、USB3.0(高速，易用)、Camera Link(高带宽，专业级)。
2. 镜头
- 焦距选择：根据工作距离和视野计算。公式：
焦距 = (传感器尺寸 × 工作距离) / 视野。 - 关键参数：靶面尺寸需大于等于相机传感器尺寸，否则产生暗角；光圈控制进光量及景深；畸变率要低，在精密测量中应选远心镜头。
- 远心镜头：消除透视误差，保证目标在一定景深内大小不变，是尺寸测量的首选。
3. 光源与照明
打光方式决定了图像质量的上限，核心原则：凸显特征，抑制背景。
- 常见光源类型：环形光、条形光、背光源、同轴光、穹顶光。
- 经典打光方案：
- 背光源：用于轮廓提取和尺寸测量，形成黑白分明轮廓。
- 低角度环形光：突出表面划痕、边缘毛刺。
- 同轴光：用于高反光平面（如芯片字码、玻璃表面）的均匀照明。
- 多角度分光：球积分光源或条纹光，检测曲面或不规则表面缺陷。
- 颜色选择：利用互补色增强对比度（如红色工件用青/蓝色光源），或用红外光透过某些材料。
四、图像处理核心算法
从图像中得出判断结果依赖算法，以下按处理链介绍关键步骤。
1. 图像预处理
- 去噪：高斯滤波、中值滤波（有效去除椒盐噪声）。
- 增强对比度：直方图均衡化、Gamma校正。
- 阈值化与二值化：将灰度图转为黑白图，分离目标与背景。常用OTSU自动阈值或动态阈值。
- 形态学处理：腐蚀、膨胀、开运算、闭运算，用于消除细小噪点或连接断裂区域。
2. 缺陷检测算法
- 模板匹配：与标准图像比对，发现缺失、多料。适合固定形态物件的整体判断。
- 差分法：将待测图与标准图相减，超出阈值区域即为缺陷。要求高精度配准。
- 斑点分析(Blob)：提取连通域，分析面积、圆度、灰度值等，检测脏污、孔洞、缺料。
- 边缘检测：Canny、Sobel算子提取边缘后，分析边缘的连续性、间距，可检出划痕、裂纹。
- 深度学习：对于复杂纹理、随机变化或难以建模的缺陷（如布料瑕疵、车漆划伤），常用卷积神经网络(CNN)直接分类或像素级分割，系统可通过不良品样本训练自动学习特征。
3. 尺寸测量算法
- 边缘查找：使用亚像素精度的卡尺工具，沿指定投影方向找到强度变化最大的点，组成边缘对。
- 几何拟合：通过最小二乘法将边缘点拟合为直线、圆、椭圆等，计算距离、直径、角度。
- 标定：必须将像素坐标转换为世界坐标(毫米)。使用已知尺寸的标定板（棋盘格）进行相机标定，消除镜头畸变并获得像素当量。
- 尺寸评价：测量值对比图纸公差带，直接输出OK/NG或具体偏差。
五、从零搭建一个检测方案
假设需求：检测圆形金属垫片是否缺角，并测量外径（标称20mm，公差±0.1mm）。
步骤拆解：
-
确定视野与精度 视野需包含整个垫片及放料容差，设为30mm×30mm。要求测量公差0.1mm，则精度至少达到0.02mm。所需像素 30/0.02=1500，选用200万(1600×1200)相机足够。
-
光学配置 尺寸测量采用远心镜头+平行背光源，消除边缘翘曲带来的测量误差。缺陷检测可加一个低角度环形红色的光，突显缺角部位的暗区。
-
标定 使用玻璃标定板放在测量平面，执行一次标定程序，得到像素系数（例如0.015mm/pixel）并校正畸变。
-
测量程序
- 背光图像经阈值分割后，提取垫片外轮廓。
- 用圆形拟合算法得到圆心和直径。
- 比较直径是否在19.9~20.1mm内。
-
缺陷检测程序
- 在环光图像上使用模板匹配定位垫片。
- 提取目标区域，使用Blob分析检测边缘是否存在面积过大的凹陷或凸起。
- 也可训练一个异常检测模型，更稳健应对轻微变形。
-
I/O联动 当任何一项不合格时，通过数字输出口触发剔除机构，同时将结果存盘用于追溯。
六、工业生产中的常见问题与对策
| 挑战 | 产生原因 | 解决思路 |
|---|---|---|
| 环境光干扰 | 车间灯光变化、日光 | 使用特定波长光源+窄带滤光片，或加装遮光罩 |
| 工件一致性差 | 来料位置、颜色、反光不同 | 使用自适应阈值、动态查找算法，搭配柔光或漫射光源 |
| 检测速度跟不上 | 算法复杂或相机帧率低 | 优化代码、ROI缩小、使用更高帧率相机，或分步多工位检测 |
| 漏检/误报高 | 阈值设置刚性，产品正常变异 | 引入统计过程控制(SPC)，动态调整上下限；或用深度学习增强容错 |
| 产线震动 | 图像拖影或对焦偏移 | 采用短曝光(微秒级)+瞬时光源(频闪)，或使用工业镜头锁紧机构 |
七、知识速记与术语表
- 像素当量：一个像素代表的世界物理尺寸（mm/pixel）。
- 景深：在清晰成像允许范围内，物体可移动的最大距离。
- ROI (Region of Interest)：感兴趣区域，仅处理该区域可大幅提速。
- OCR/OCV：光学字符识别/光学字符验证，用于读取产品序列号。
- 畸变：镜头几何像差导致图像变形，需标定校正。
- 过杀率/漏检率：系统错误剔除良品或漏过不良品的比例，是评估系统性能的关键指标。
八、总结与学习路径
工业视觉检测是精密机械、光学、电控与算法的结合。初学者建议按以下路径深入：
- 掌握基本光学常识，亲手搭建一个背光测量花生大小的实验。
- 学习开源视觉库 OpenCV 或图像处理库 Halcon，实践模板匹配、测量卡尺。
- 理解相机标定原理，独立完成一次从像素到毫米的转换。
- 尝试在一个简易传送带模拟环境中，触发拍照并输出逻辑信号，完成整机集成。
随着智能制造推进，工业视觉正在从单机检测向云端数据分析和边端智能迈进，掌握这门技术将为产线升级提供核心支撑。