应用概述
机器人外观检查解决的是人眼看不稳、看不久的问题——高精度缺陷超出人眼分辨极限，长时间目检则因疲劳导致判定一致性下降。机器人搭载相机与传感器按固定路径、固定光照、固定判定标准执行检查，可以实现 100% 全检替代人工抽检，判定结果不受情绪、疲劳与经验差异影响。
应用要点
整理自品牌官方应用资料，已标注来源。
工艺验证、工作站方案、编程示教与投产陪跑，机器人应用落地交钥匙交付。
了解详情 → 新工业机器人销售主流品牌全新机器人代理销售与选型配套，满足新增产线与扩产的一手设备需求。
了解详情 → 自动化设备研发夹具末端、输送定位、安全外围与整套控制系统的研发与集成交付。
了解详情 → 算法与控制系统研发运动规划、机器视觉与 PLC/SCADA 系统开发，解决节拍、精度与数据互联瓶颈。
了解详情 → 机器人租赁在库机型短租长租与租转购，含运输、安装调试与租期维保。
了解详情 → 软硬件升级服务控制系统替换、软件固件升级、机械翻新与安全改造，让老设备恢复性能。
了解详情 → 维保与维修上门检测、故障诊断维修与年度维保合约，覆盖 21 品牌 1310 款机型。
了解详情 → 二手与库存机器人销售二手机回收、检测整备与再销售，附检测记录与质保，可以旧抵新。
了解详情 →外观检查自动化典型应用场景
以下为恒桓团队及行业实践中具有代表性的外观检查自动化场景（客户名称按惯例隐去），按"背景痛点 → 实施方案 → 落地成效"结构化整理，供同类需求的企业参考评估。
| 场景 | 背景与痛点 | 实施方案 | 落地成效 |
|---|---|---|---|
| 成都某显示模组厂 · 背光外观检查 | 背光模组的尘点、划伤靠人工目检，漏检引发客诉，检验员眼疲劳流失率高。 | 机器人搭载线扫相机与穹顶光源，深度学习缺陷分类模型，按客户标准分 12 级判定并自动分流。 | 漏检率降到 0.1% 以下，检查速度为人工的 3 倍，判定标准完全统一，客诉批次归零。 |
| 重庆某汽车零部件厂 · 制动盘在线全检 | 制动盘关键尺寸与表面缺陷原为抽检，存在质量逃逸风险，主机厂要求全检数据可追溯。 | 六轴机器人搭载 3D 激光轮廓仪与 2D 相机组合检测，与机加线联机，SPC 数据接入 MES。 | 全检替代抽检，单件检测 45 秒覆盖全部关键特性，质量逃逸降为零，检测数据满足审核追溯要求。 |
| 南充某食品企业 · 包装喷码检查 | 包装喷码存在漏喷、模糊、错位问题，人工抽检无法拦截缺陷批次，食品追溯面临合规风险。 | 高速工业相机配 OCR 识别算法，产线速度 200 包/分钟在线全检，缺陷品气动自动剔除并记录。 | 喷码缺陷流出率降为零，满足食品追溯法规要求，剔除与报警数据自动生成班报。 |
常用该工序的行业
点击查看行业整体机器人应用方案。
外观检查自动化：从"人眼疲劳"到"机器稳定"
人工外观检查的三大固有缺陷决定了自动化的必然性：疲劳衰减——专注度在 2 小时后显著下降，漏检率随班次爬升；标准漂移——不同检验员对"划伤多深算不良"的判断不一致，客诉争议频发；记录缺失——检出缺陷无法量化统计，质量改进没有数据基础。机器人+视觉的外观检查把判定标准固化进算法，检出数据全量留存，这两点正是 IATF 16949 与医疗器械质量体系审核的重点。
当前技术格局：传统机器视觉（规则算法）处理几何类缺陷（缺料、错装、尺寸、字符），成熟稳定；深度学习视觉处理纹理类缺陷（划伤、脏污、异色、流痕），把过去"只有老师傅看得出来"的模糊判定变成可部署的模型——样本 300–500 张起步，漏检率可压到 0.5% 以下，这是近三年外观检查自动化率快速提升的技术推手。
| 要素 | 设计要点 | 常见误区 |
|---|---|---|
| 光学方案 | 光源形式（环形/条形/同轴/穹顶）按表面特性选，反光件用同轴或穹顶光 | 先买相机后试光源——图像质量七成由打光决定 |
| 检测项定义 | 缺陷类型、尺寸阈值、判定区域分级（A 面/B 面标准不同） | 标准含糊导致模型无法收敛，判定争议无据可依 |
| 节拍匹配 | 单件检测时间含拍照、推理、通讯，预留 20% 余量 | 只看算法速度忽略取放与通讯开销 |
| 剔除与复检 | NG 品自动剔除分道，边界品转人工复检道 | 全自动判定不留复检口，初期模型过杀产线不满 |
| 数据闭环 | 检出图像留存、误判样本回流再训练 | 只检不存，模型迭代没有燃料 |
机器人外观检查工位的典型形态
翻转多面检查：六轴机器人持工件在固定相机前按姿态序列翻转，多角度多光源覆盖全部表面——适合中小件的全检（3C 壳体、精密零件）。
环绕扫描：工件固定转台旋转，机器人持相机环绕拍摄——适合大曲面件（汽车内饰件、家电面板）。
在线抽检：产线上视觉固定工位全检+机器人抽件送精密测量——兼顾节拍与深度检测。
无论哪种形态，手眼标定精度与光照一致性都是验收的核心指标：我们用标准缺陷样件（带已知缺陷尺寸的检查板）做验收测试，漏检与过杀率用数据说话，不靠目测"看着挺好"交付。
工艺问答
缺陷样本很少，深度学习还能做吗？
能。三条路：缺陷合成（GAN 生成与贴图增强）、迁移学习（预训练模型小样本微调）、传统算法兜底+深度模型渐进。我们的建议是先用传统算法把确定性缺陷管住，深度模型随样本积累分阶段上线。
过杀率高，产线意见大怎么办？
过杀（把良品判为不良）初期难以避免，控制手段：判定分级（明确不良/边界/良品三区，边界品人工复检）、样本回流再训练（每周把误判样本加入训练集迭代）、阈值分面管理（外观 A 面严、非外观面松）。三个月迭代期后过杀率通常降到 3% 以内。
检查标准我们自己都说不清，怎么自动化？
这正是第一步要解决的：我们协助做"缺陷图谱化"——把实物不良品分类编号、显微拍照、尺寸量化，形成双方签认的《外观判定标准书》。标准书既是模型训练的 ground truth，也是今后客诉仲裁的依据。
外观检查工艺深度解读
一套完整的视觉检查系统由四要素构成：成像——相机分辨率与帧率按缺陷尺寸和线速匹配，微小缺陷（0.1mm 级）需要高分辨率面阵或线扫相机；光源——环形光、条形光、同轴光、穹顶光按表面反光特性选择，行业内公认光源方案设计决定检查成效的七成，同一缺陷在不同光照下可能完全不可见或暴露无遗；定位——工装定位或视觉纠偏保证拍摄位置一致；算法——传统规则算法适合特征明确的缺陷，深度学习在背景多变、缺陷形态不定的场景优势明显。3D 检查（激光轮廓、结构光）解决凹陷、翘曲、焊缝成形等高度类缺陷。
恒桓的算法与控制系统研发线承接视觉检测系统开发——光源方案设计、缺陷模型训练与迭代、误检漏检率优化，以及检查机器人与产线的集成联调和长期维护。
外观检查自动化的技术演进与西南市场
视觉检查技术的演进：一是深度学习落地化——小样本学习与数据增强技术让新缺陷类型的模型部署周期从数月缩短到数周，甚至十几个缺陷样本即可起步；二是2D/3D 融合——单一 2D 图像检不出高度类缺陷，3D 点云与 2D 灰度图融合判定正在成为外观检查的标准架构；三是边缘计算——推理算力下沉到现场工控机与智能相机，毫秒级判定不依赖云端，产线数据安全也更有保障；四是检查数据资产化——缺陷分布、工序关联分析反哺工艺改进，视觉系统从质检工具升级为工艺优化的数据源。
西南市场的需求热点：3C 电子的外观检查体量最大且标准最严；汽车零部件的关键特性全检需求稳定（主机厂审核驱动）；食品与医药的包装检查（喷码、封盖、异物、液位）随合规要求提升快速增长。传统目检工位的招工难也持续推动检查自动化——目检是对视力与耐心消耗最大的岗位之一。
外观检查工作站的工程要点与运维管理
检查系统落地的三个坑：一是光照不稳定——环境光随时间与天气变化干扰判定，导致同批产品上午下午结果不同；对策是遮光罩设计+恒流光源驱动+避免混合光源。二是模型过拟合——模型只认识训练集里的缺陷形态，新批次材料色差、纹理变化就大量漏判；对策是训练集覆盖材料批次波动范围，并建立新缺陷快速回流训练机制。三是误检死循环——误判率过高导致人工复判工作量不降反升，检查系统的经济性归零；行业经验的经济平衡点是漏检为零的前提下误判率控制在 2% 以内，误判品由人工快速复判放行。
视觉检查系统的运维要点：光源亮度衰减监测（每月用标准板校验亮度与均匀性）、镜头清洁制度（粉尘与油雾环境缩短清洁周期）、模型定期回归测试（用标准缺陷样本集复测判定能力）、相机标定核验。恒桓的检查系统维保包含模型再训练服务——产线材料与产品变化后，模型需要同步进化。