上一弹预告发出去之后，评论区就被同一种问题刷屏了：大恒图像深圳视觉展这台系统，误判率到底能做到多少？现场能不能看到真机跑料？说实话，这种追问我一点都不意外。每次展前，客户基本都会围着这几件事打转——相机参数、算法逻辑、节拍上限，有时候聊到最后还会补一句“能不能带几个我们自己的工件来现场试”。
这篇文章就是“系统预告第二弹”的完整文字版，重点把这次要展的核心视觉系统讲透：它解决什么问题、为什么这么选型、现场演示有哪几个看点、以及你在展台验收一套系统时最容易忽略的坑。不管你是做设备集成、产线工艺还是纯粹搞视觉算法，这套系统的设计思路都可以直接拿来参考。
1. 系统整体设计与思路拆解
1.1 为什么第二弹要单独拆一套系统来讲
很多朋友看到“系统预告”四个字，以为就是常规的展品清单罗列。上一弹确实把展位、新品线、方案地图都过了一遍，但说实话，那只是前菜。这一篇要拆的这套系统，是我们这次展会的“压轴工位”。
为什么单独拆出来讲？因为它代表了一个很明显的行业趋势：机器视觉正在从“单点检测设备”走向“整线视觉系统”。以前客户买相机、买镜头、买软件，回去自己拼装调试，遇到问题还得来回跟供应商扯皮。现在越来越多的终端工厂和设备商，倾向于直接要一套能对上产线节拍、能跟PLC握手、能扛住长时间连续运行的完整系统。
这套系统的定位非常清晰：面向精密零部件的外观检测与尺寸测量，覆盖3C电子和锂电池模组两个方向。3C方向主要处理中框、连接器、FPC软板这类高反光、小尺寸的工件；锂电方向则聚焦极片对齐度、极耳翻折、表面划痕这些痛点。
我特别理解为什么这两个方向会被优先拿来做示范。它们有一个共同点：传统2D视觉很难稳定搞定，但又是产线上绝对绕不开的质检环节。3C中框的高光倒角，2D相机拍出来经常出现反光过曝，人眼都看得费劲；锂电极片的黑色表面和金属光泽叠加，对光线的敏感度极高。这套系统用“3D视觉+深度学习分类”的组合去打这个场景，思路是对的。
1.2 选型逻辑：为什么是“3D+AI”而不是纯2D或纯3D
关于选型，我接触过太多客户第一句话就问“你们用的是什么相机”。这个问题看似简单，其实背后藏着一个更深的问题：方案到底靠什么物理量来做判断。
2D视觉的底层逻辑是靠灰度差和颜色差。工件表面只要出现光照变化、阴影、反光，图像特征就可能漂移，鲁棒性很难保证。纯3D视觉虽然多了一个高度维度的信息，但点云数据量大，处理速度容易拖后腿，而且对于表面细微划痕这类“平坦区域上的浅纹理缺陷”，纯高度信息反而不好识别。
这套系统的选择是“3D测量做主结构尺寸，2D深度学习做表面缺陷分类，两者通过坐标映射融合”。听起来不复杂，但真正落地的时候，融合深度决定了系统的上限。我们做了几层设计：
- 第一层，用3D传感器获取工件的高精度轮廓和点云，完成诸如平面度、段差、间隙、高度这类几何参数测量；
- 第二层，用高分辨率2D面阵相机采集表面图像，跑深度学习模型，负责划痕、压伤、脏污、异物这类纹理类缺陷；
- 第三层，把2D缺陷的像素坐标映射到3D点云坐标上，这样不仅能判断“有没有缺陷”，还能输出缺陷的深度和面积，给后端工艺改善提供数据。
这个三层架构最直接的好处是：检测结果不只是“OK/NG”，而是一组可量化的数据。你拿着这套数据去跟产线工艺工程师开会，能直接指出“这个划痕主要集中在R角区域，深度基本在0.02到0.04毫米之间”，而不是含糊地说“有划痕”。
1.3 这套系统要解决的行业痛点
把痛点说透，比堆参数更有价值。做机器视觉项目这些年，我最大的体感是：工厂客户缺的不是“某台相机”，而是“一种能让质检结果可信、可追溯、可复用的能力”。
先说缺人。精密零部件的外观检测长期依赖人工目检，但现在的排产节奏和良率要求，已经让目检岗位成了瓶颈。一个人看一整天显微镜，眼睛会累，累就会漏。机器视觉不会累，但前提是算法要足够稳定，不能今天漏检多明天误杀多。
再说缺标准。很多工厂的质检标准停留在“参照样品”阶段，什么是轻微划痕、什么是严重划痕，老师傅说了算。这套系统用3D数据把判定标准数字化了——深度超过0.03毫米的划痕算NG，0.03毫米以下算OK。标准一旦数字化，供应商和客户之间就有了共识，吵架都少了。
最后是缺数据。产线上每天都在产生大量检测结果，但传统人工目检留下来的顶多是一张张纸质的报表。这套系统的每个NG样本都会自动保存图像和点云数据，积累一个月就是一个小型缺陷样本库，后续算法迭代、工艺改善都有据可查。
2. 核心技术环节解析与实操要点
2.1 成像端的配置思路：光源、镜头、相机的组合拳
讲系统绕不开硬件选型。这套系统在成像端做了三种光路的组合设计，这里展开讲一下，因为很多工程问题都出在成像环节。
第一种是3D结构光测量光路。用于测量工件几何尺寸，比如段差、平面度、轮廓度。结构光方案的优点是点云数据稳定，对环境光有一定抑制能力，适合ppb级精度的尺寸测量。我们在这套系统里把测量目标定在±0.03毫米级别的重复精度，结构光传感器完全够用。
第二种是高角度环形光。用在2D深度学习的外观检测工位，主要照射高反光表面的细微划痕和压伤。这里有个很关键的细节：环形光的角度要跟工件表面法线方向形成一定夹角，让缺陷区域产生明显的灰度突变。角度太垂直，反光会吞掉浅划痕；角度太斜，整个视野亮度不均匀。
第三种是低角度直射光。主要用来凸显边缘轮廓和表面凹凸，比如锂电极片的极耳翻折、极片边缘毛刺。低角度光的好处是能把微小的凸起变成明显的影子，人眼看起来像浮雕效果，算法识别起来也轻松很多。
三种光路不是三个相机简单凑在一起，而是共用了同一个运动控制触发源。工件运动到指定位置时，编码器会给三个相机同时发触发信号，保证不同光路采集的数据在空间上是严格对应的。这个同步设计是我觉得系统能稳定跑起来的关键，很多项目出问题就出在相机各拍各的，后期对齐全靠“缘分”。
2.2 算法侧的取舍：什么时候用传统视觉，什么时候上深度学习
算法选型是这套系统最有讨论价值的地方。我经常说一句话：深度学习不是万能钥匙，传统算法也不是明日黄花，关键是看检测任务的性质。
几何测量类的任务，比如距离、角度、圆度、平面度，我坚持用传统视觉算法。为什么？因为这些任务有明确的数学模型，数据是可控的，算法是确定性的。你用卡尺工具量一个长度，十次测量结果应该是一样的，这种“确定性”是产线最需要的东西。深度模型反而有不确定性，同样的输入可能因为模型内部的微小扰动产生不同结果，这在精密测量里是不能接受的。
缺陷检测类任务，比如划痕、脏污、凹坑、异物，就得上深度学习。这类缺陷的特点是“没有标准形状”，你没法用固定模板去匹配——划痕有长有短、有粗有细、有深有浅，传统形态学处理会累死调试工程师。我们用分割模型把缺陷区域“抠”出来，再计算面积、长度、深度特征，这样既发挥了深度学习的泛化能力，又保留了传统算法的可解释性。
一个比较重要的实操心得：模型输出的置信度分数不要直接当判定依据。正确做法是设定一个高置信度阈值，比如0.85以上直接判NG，0.3到0.85之间的模糊区域，再叠加缺陷面积、位置等特征做二次判定。这样可以大幅减少“自信过头”的漏判。
2.3 通讯与节拍设计：视觉系统不能拖产线后腿
视觉系统在产线上最尴尬的事情是：检测精度上去了，节拍跟不上，整个产线等你一台设备。所以在系统设计的时候，我们需要做一套很详细的时序规划。
以锂电模组检测工位为例，我要求整个检测节拍控制在2.5秒以内。这意味着成像、算法、通信三块必须在时间上精确分配。成像端大约占800毫秒，包括三路相机触发和传输；算法端占1.2秒左右，3D测量跑主线程，2D模型推理跑并行线程；剩下的500毫秒是结果输出和PLC握手。
这里有个工程细节：2D缺陷检测和3D测量一定要用并行线程，不能串行跑。串行的话，2秒时间就只剩1秒给算法，很多现场项目就是这个原因导致节拍上不去。我们用C++多线程把两个算法线程独立开，再通过共享内存做结果关联，实测下来节拍余量非常充足。
通讯协议方面，跟产线PLC主要走Profinet或者EtherNet/IP，结果通过TCP socket同时上传到MES系统。这里要提醒一下：结果上传的格式一开始就要跟MES团队敲定，尽量避免后期给PLC和MES各出一套格式，两边对不上的情况我见过太多次了。
3. 现场演示环节与评估方法
3.1 展台演示流程：从投料到底线全自动跑通
这次展台现场，这套系统会搭成一条迷你检测专线。观众可以看到完整的上下料、检测、分选流程，而不是传统的“相机装在一个防尘罩里拍个不停”。
演示流程大概是这样的：
- 操作员把工件放到入料位，传感器感应到工件后，启动电机把工件送进检测区；
- 编码器实时跟踪工件位置，到达设定位置后，同时触发3D结构和两台2D相机；
- 图像采集完成，算法开始跑测量和检测，屏幕会把每个工位的检测过程实时可视化；
- 判定完成的工件，通过气缸翻板分选到OK或NG料盒；
- 单次检测数据、图像、判定结果全部自动存入本地数据库，屏幕上同步展示历史统计曲线。
这套演示流程的用意是：让观众直观理解“视觉系统”和“视觉设备”的区别。设备是一堆硬件的集合，系统则是硬件、算法、软件、运动的协同体。很多客户看完演示都会说“原来你们不是卖相机的，是卖整套方案的”，这就是我们想传递的信息。
3.2 在展台现场评估系统性能的四个硬指标
很多人逛展喜欢问“像素是多少”“帧率是多少”，这些当然值得问，但对于看系统级方案的人来说，更有价值的评估维度是下面四项：
第一个硬指标：误判率与漏判率的口径清晰度。一套系统敢不敢现场测，很大程度上反映出它的真实水平。我们参展通常会准备一批标准样件，包括OK件、轻微不良件、严重不良件。观众可以随机指定某个样件进行多次重复检测，观察判定结果是否稳定。这里建议你也这样测：同一个工件连测20次，看有没有偶尔判OK偶尔判NG的情况。如果有，说明系统判定逻辑存在抖动，落地时要谨慎。
第二个硬指标：检测节拍的稳定值，而不是峰值。有些设备标称节拍是0.5秒，但那是理想状态。现场让它连续跑100个工件，看实际平均节拍和波动范围。我们这套系统在展台演示的节拍设计是2.8秒，留了足够的余量应对意外情况，实测波动很小。稳定比快更重要，这是我调试几百个现场项目后的总结。
第三个硬指标：换型能力。产线经常要换产品型号，一套系统如果换个工件就要调半天光路和参数，基本不具备实用价值。这套系统支持一键切换产品配方，相机参数、光源亮度、检测算法、判定标准全部随配方自动切换。现场你可以要求演示人员从一种工件切到另一种，全流程应该在1分钟以内完成。
第四个硬指标：异常样本的记录能力。NG样本有没有图像留存？数据能不能追溯？这听起来不是性能参数，但在实际产线上特别重要。要是产线跟客户有质量争议，一张带时间戳的NG图像抵过千言万语。
3.3 现场怎么问问题，才能问出真水平
逛展的时候，工程师问问题的方式能直接反映对视觉系统的理解。我分享几个展台经验，你也可以用这些问题去“考验”任何一家视觉供应商。
不要问“你们精度是多少”，而要问“这个精度是在什么条件下验证的，有没有配合标准量块做过重复性测试？”精度本身离不开放大倍率、工作距离、环境光等条件，脱离条件谈精度都是空话。
不要问“误判率多少”，而要问“你们现场是用什么样本测的误判率？样本是你们自己选还是从我们产线拿的？”自己选样件测出来的指标和实际产线样本测出来的指标，差距可能差一个数量级，这点一定要有清醒认识。
不要问“能不能检测划痕”，而要问“划痕的判定标准如何定义？深度和长度分别超过多少判定为NG？”如果对方回答得含糊，说明方案还没真正落地过；如果能清晰说出标准，说明有可靠的现场经验支撑。
4. 常见问题与排查技巧实录
4.1 成像端最常见的几个翻车现场
讲了这么多设计和演示，回归到实际操作，我分享几个在现场反复遇到的成像问题。
第一个：高反光工件出现区域性过曝。3C中框的高光亮边，打光稍微不对就是白茫茫一片。排查思路不是急着换光源，而是先调偏振。在光源前加偏振片，相机前加同向偏振片，能滤掉大部分镜面反射。如果还不行，再考虑把光源角度调低、远离过曝区域。我在项目里发现，70%的高反光问题靠偏振就能解决，剩下30%才需要动结构。
第二个：锂电黑色极片边缘发虚。黑色吸光，边缘和背景区分度低，轮廓检测容易飘。处理技巧是用背光源把极片轮廓“顶”出来，同时把曝光时间稍微压长一点，让背景更亮、边缘更锐利。很多工程师一开始不敢加压光的强度，怕烧坏相机，其实对于CMOS传感器，控制好曝光时间反而比单纯调光圈更安全。
第三个：环境光干扰导致检测状态漂移。展会现场灯光复杂，产线上也经常有窗户、天窗、指示灯的干扰。应对方法：物理遮光加算法补偿双管齐下。物理遮光是加装遮光罩减少杂散光；算法补偿则是每次检测前拍一帧基准图，实时扣除背景变化。
4.2 误判和漏判的调试优先级
误判和漏判是视觉系统落地的永恒话题。我的经验是，漏判优先于误判处理。漏判意味着不良品流向客户端，那叫质量事故；误判顶多是产能浪费和人工复判增加，属于成本问题。两者性质完全不同，处理策略当然也不同。
先解决漏判。漏判一般出在两个位置：一是成像端缺陷没拍出来，二是算法端缺陷没认出来。分别对应两条排查路径：成像端把采集图像调出来，人工逐张查看缺陷是否存在；算法端则查看模型输出的热力图，看模型到底关注了哪些区域。如果缺陷在图像上清晰可见但模型没识别出来，优先补充训练样本；如果图像本身就没有缺陷特征，那就要回到光源和相机参数上找原因。
误判处理逻辑刚好反过来。误判大多是因为判定阈值太严格，或者训练样本里OK件样本太少，模型没见过那么多正常形态。这时候要做的是：收集大量OK件样本，给模型“见世面”，同时放松置信度阈值，把模糊地带交给人工复判。多次迭代之后，误判会逐渐下降，漏判率也在可控范围。
4.3 节拍不达标时的排查顺序
节拍达不到设计要求，是现场验收阶段最容易扯皮的问题。我总结了一套排查顺序，照着做基本不会漏项。
第一步，看算法耗时是不是超标。在软件里把每个模块耗时打印出来，定位是哪个环节耗时最多。通常问题出现在深度学习模型推理上，模型太大、芯片算力不足，就会拖慢整个节拍。
第二步，看图像传输有没有瓶颈。相机传输模式是触发采集还是连续采集，图像分辨率是否超过实际需要，都会影响速度。很多时候，把分辨率从1200万降到500万，时间就能省下来，而检测精度并没有明显下降。
第三步，看逻辑线程有没有串行等待。主流程里一个模块等另一个模块，看起来代码没问题，跑起来就是慢。这种问题肉眼很难发现，需要用专业的流程分析工具看时间线。
第四步，看机械运动是否拖后腿。有时候视觉处理很快，但工件定位和分选动作浪费了大量时间。这时候需要跟机械工程师协调，调整机械手速度曲线和等待时序。
这套排查顺序看起来简单，但非常管用。现场调试时间有限，按这个顺序能快速排除80%的节拍问题。
5. 展台现场体验优化与观展建议
5.1 别把逛展当成看参数，要当成“压力测试”
最后聊一点逛展的实用建议。深圳这场展会，楼下楼上几百个展位，真正值得停留的视觉系统展台其实不多。我的看法是：你是来找供应商的，不是来收集宣传册的。
如果对这套系统感兴趣，到了展台先不急着听讲解，先观察三个细节。第一，展台是否在持续跑料，而不是用一个循环视频“假装演示”。第二，检测结果的统计数据是否实时在屏幕上滚动，数据有没有明显的不合理跳变。第三，工程师接待你的时候，是主动问你的工况信息，还是只顾着背参数。这三个细节，基本能判断一家公司的工程化能力。
展台现场人多，很难深入交流。更高效的做法是：先登记拿资料，约好展后视频会议或上门技术交流的时间。机器视觉系统选型不是逛完展会就能拍板的事，需要在真实工件上验证，才谈得上信任。我每次建议潜在客户带几个最头疼的NG样件来，现场测试现场看效果，比任何宣传语都更有说服力。
5.2 关于系统迭代和后续扩展的一些建议
这套系统这次展示的是3C和锂电两个方向，但它的架构本身是开放的。检测工位、算法模块、光源配置都是标准化接口，之后扩展成4个工位、8个工位只是软件配方和硬件数量的叠加。
我在实际项目里看到，很多系统用了两三年之后，客户真正的需求不是再买一台新机器，而是在原有系统上升级算法、增加检测点位。所以这次展出的系统在架构设计之初就预留了扩展接口，包括：新的相机型号接入、新算法模型的替换、新通讯协议的支持。虽然这些扩展在展台上看不到，但它决定了这套系统的使用寿命和投资回报。
最后再分享一点个人心得：我在现场看系统演示时，从来不会第一眼就盯着检测精度数字，而是先看这台设备在连续运行半小时之后，检测数据是否依然稳定。很多设备“开场惊艳、久跑拉胯”，稳定性才是视觉系统最难的那部分竞争力。大恒图像这套预告系统能不能经得住这种考验，展会上用连续跑料和实时数据来验证，会是最有说服力的方式。