视觉项目失败大多败在成像而不是算法：光源不对，再好的算法也救不回来。我们从成像方案做起，先保证"拍得清楚"，再做算法与部署。
视觉能力矩阵
| 能力 | 典型精度/指标 | 应用场景 |
|---|---|---|
| 2D 定位引导 | ±0.1mm（视场相关） | 抓取定位、装配对位 |
| 3D 定位 | ±0.3mm | 乱序抓取、拆垛 |
| 缺陷检测 | 漏检率<0.5% | 焊缝、表面划伤、缺件 |
| 读码追溯 | 读码率>99.9% | DPM 码、标签码 |
| 尺寸测量 | ±0.05mm | 在线尺寸全检 |
交付流程
- 01成像方案验证（光源/相机/镜头打样）
- 02算法开发与样本训练
- 03通讯与部署（机器人/PLC 对接）
- 04产线灰度与指标验收
机器视觉：给机器人装上"眼睛"的四大功能层级
工业视觉按功能分四个层级，复杂度与价值递增：定位引导（告诉机器人工件在哪、什么姿态，解决无序抓取与来料偏差）、测量（尺寸与形位公差的非接触测量，亚像素算法可达 ±0.01mm 级）、检测(缺陷识别：划伤、缺料、错装、字符 OCR，替代人眼质检）、识别分类（多品种混线时识别工件型号，自动切换程序）。
当前行业趋势是 3D 视觉与深度学习落地：3D 线激光/结构光解决了反光件与复杂曲面的定位难题；深度学习把"规则难定义"的缺陷检测（异色、脏污、纹理异常）从不可检变为可检，样本量数百张即可训练出可用模型。
| 应用需求 | 推荐方案 | 关键技术指标 | 典型难点与对策 |
|---|---|---|---|
| 平面工件定位 | 2D 视觉 + 背光/环形光 | 定位精度 ±0.05mm，处理时间 <100ms | 反光件用偏振片；多工件用模板匹配+分割 |
| 无序散料抓取 | 3D 视觉 + 抓取规划算法 | 点云配准精度 ±0.5mm，节拍 1–3s | 堆叠遮挡分层识别；抓取点碰撞校验 |
| 外观缺陷检测 | 深度学习分类/分割模型 | 漏检率 <0.5%，过杀率 <3% | 缺陷样本少用小样本增强；光照一致性是前提 |
| 尺寸在线测量 | 远心镜头 + 亚像素算法 | 重复精度 ±0.005mm 级 | 温漂标定；振动隔离安装 |
| 焊缝跟踪 | 激光视觉传感器 | 跟踪精度 ±0.5mm，实时性 <20ms | 弧光干扰滤光；坡口特征提取 |
视觉项目落地流程：光学验证先行
第一步，图像可行性验证。用客户实物做打光测试：光源形式（环形/条形/同轴/背光/结构光）、镜头选型（远心/变焦/3D）、安装距离与景深，输出图像质量评估报告。图像拿不到稳定特征，后面全是空谈——这一步不通过我们直接告知不可行与替代方案。
第二步，手眼标定与精度闭环。Eye-in-Hand（眼在手上）与 Eye-to-Hand（眼在外）按工况选择；九点标定+旋转中心标定，标定后用实测网格验证定位精度，出具精度报告。
第三步，算法开发与节拍优化。传统算法（模板匹配、边缘提取、Blob 分析）优先——稳定、快、可解释；规则难定义的缺陷才上深度学习。处理时间纳入整站节拍预算。
第四步，产线联调与容错设计。视觉与机器人、PLC 的信号握手，识别失败的重拍与剔除逻辑，光源衰减的报警阈值，全部写进联锁清单。
深度问答
深度学习检测需要多少样本？
合格品样本 200–500 张起步，每类缺陷 30–100 张。缺陷样本不足时可用缺陷合成与小样本学习技术补充；完全无样本的新产品，建议先跑传统算法定位+人工复检过渡，积累数据后切换深度模型。
视觉系统坏了产线怎么办？
设计时做降级预案：视觉故障自动切换盲跑模式（按固定点位）或旁路人工工位，不让检测环节卡死整线。我们提供视觉系统的年度维保，含光源衰减检测与模型再训练服务。
能对我们现有机器人加装视觉吗？
能。视觉系统独立于机器人品牌，通过 IO 或总线通讯引导机器人。21 个品牌的主流控制器我们都做过通讯对接，老控制器不支持总线时走 IO 握手方案。