生产换型中的“隐形断点”：视觉系统为何成为效率瓶颈？
每次产线切换产品时，那几分钟甚至几小时的等待，究竟卡在哪个环节？
从流程上看，生产线换产不过是一套标准动作：更换工装、导入新配方、调试几个验证件，然后恢复运行。对于输送线、机器人、供料器这类机械系统而言，这些操作早已被优化得相当成熟。
然而，机器视觉系统往往才是拖慢整条产线的关键环节。
根据西门子2024年发布的制造停机研究报告，非计划停机每年给制造商带来的损失高达数十亿美元。行业内还有一个更令人关注的数据：在一些复杂场景中，为一个新产品型号重新编写视觉程序，需要耗费 4 到 6 周 的时间，而非4到6小时。
为什么会出现这种情况？因为传统的检测逻辑被硬编码到了特定的视觉特征上——比如零件的精确轮廓、表面的预期反光特性、标签上像素的准确坐标。一旦输入的零件发生变化，这套逻辑要么误判（将良品当作次品剔除），要么直接漏检。
经济影响
汽车制造： 非计划停机造成的每小时损失高达 230 万美元。
食品与消费品行业： 每小时损失约为 3.6 万美元。
多品种小批量（HMLV）生产：
- 对于每周需要切换50多个SKU的工厂而言，如果换型时间与生产时间相当，那么自动检测就不再是生产力，反而变成了纯粹的负担。
案例： 一家电子制造商的记录显示，在引入视觉引导校准后，换装停机时间从 4 小时直接缩短到 12 分钟，效率提升了20倍。
传统机器视觉的局限：为什么换型时总是“掉链子”？
在讨论Cognex（康耐视）和Keyence（基恩士）的AI产品之前，我们需要先认清一个现实：目前市面上大多数已部署的机器视觉系统，尽管营销宣传中可能提到“AI驱动”，但底层技术仍然以传统方法为主。
1. 模板匹配
这是应用最广泛的技术。系统会保存一张“黄金模板”，然后逐像素进行比较，计算出一个相似度分数。
原理： 将模板在图像上滑动计算相似度。当分数超过阈值（如0.85）时，就认为“匹配成功”。
局限性： 模板是为特定产品型号设计的。如果新SKU的标签布局发生变化、瓶盖颜色不同、或者零件几何形状有所差异，就必须重新创建模板。对于每月新增5-10个SKU的制造商来说，这相当于给生产效率加上了永久的负担。
2. 阈值检测与Blob分析
通过设定亮度阈值，将图像转换为黑白二值图，然后识别图像中连成一片的前景像素区域。
原理： 测量这些“斑点”的面积、中心位置、长宽比例等特征参数。
局限性： 这种方法默认亮度、对比度和表面反光特性是稳定的。一旦换成深色零件，或者表面纹理从哑光变为亮光，原有的阈值设置就会失效。
3. 边缘检测与几何测量
通过寻找像素强度变化最剧烈的区域，进行精密尺寸测量，例如孔径、角度等。
原理： 计算图像梯度，精度可以达到亚像素级别。
局限性： 这种方法假设你关注的特征会产生最强的梯度信号。如果新产品表面纹理不同（比如加工痕迹有变化），边缘检测器很可能会识别错误。
共同问题： 良好的照明设计可以在一定程度上缓解这些缺陷，但无法从根本上解决问题。当产品本身发生改变时，无论照明条件多么理想，你也无法让模板匹配到它从未见过的零件。这就是传统视觉系统的根本弱点。
Cognex 与 Keyence AI 的真实能力与局限
这两家公司都在为其产品线增添AI功能，但了解它们的能力边界非常重要。
Cognex：边缘学习 + VisionPro 深度学习
Cognex提供了两条AI技术路线：
边缘学习： 直接在智能相机上运行。用户只需提供5-10张图片进行微调即可，无需GPU。适用于简单任务，如分类、有无检测等。
VisionPro 深度学习： 基于PC的平台。提供定位、分析（缺陷分割）、分类和读取工具。不过，需要数百张已标注的图像以及NVIDIA显卡支持。
VPDL 的局限性： 无法导入自定义模型（如ONNX、PyTorch）。也无法导出模型。没有自动化的主动学习功能。整个架构是封闭且固定的。
Keyence：黑箱式的边缘学习
主要集中在IV4、VS和CV-X系列产品上。
特点： 设计理念是对用户尽量“透明”。例如，IV系列用两张图片即可进行分类；CV-X系列通过30-50个良品样本，就能学会“正常”状态（即单类异常检测）。
局限性： 完全是一个黑箱系统。不支持自定义模型导入/导出，也没有超参数调优功能。在处理深色部件时，由于对比度问题，表现会受到限制。
两家公司共同面临的“天花板”
虽然相比纯模板匹配有所进步，但在以下场景中仍然会失效：
- 缺陷类型多样： 5-20张训练图像，根本不足以覆盖所有划痕或污渍的变体。
- 产品种类超出训练范围： 遇到未训练过的SKU #11，系统就无法处理。
- 生产条件变化： 灯光老化、镜头污染，模型不会自动适应。
- 出现新型缺陷： 系统没有机制来标记“我不确定”，只能默默漏检。
主动学习：传统系统与先进方案的分水岭
主动学习 是一种训练策略：模型会主动识别哪些未标记的样本对提升性能最有帮助，然后只要求人工标注这些关键样本。
现状是： Cognex 和 Keyence 都没有实现自动化的主动学习循环。
区别在哪里？ 传统或现有的AI系统是被动的：你发现问题（误判率上升）→ 收集数据 → 手动重新训练。在你没有监控的时间里，系统性能一直在悄悄下降。
而主动学习 是主动的：系统会主动告诉你，它遇到了训练数据分布之外的案例，并在这些案例变成废品之前，请求人工审核。
关键洞察： 传统系统会悄无声息地性能退化，直到有人发现问题。主动学习则能利用生产数据，形成一个持续优化的闭环。
深度学习如何从根本上解决换型问题
现代深度学习平台在设计上，正是为了从根源解决这一挑战。
1. 迁移学习：用最少数据应对新SKU
原理： 利用已经在相关产品上预训练好的模型，然后针对新变体用少量图像（50-200张）进行微调。
优势： 无需从零开始训练。微调只需几分钟到几小时，而不是几周。
2. 数据增强：从少量样本中获取更多价值
原理： 基于现有图像，生成各种合成变化版本（旋转、翻转、亮度调整、添加噪声等）。
优势： 100张真实图像可以扩展为数千个训练样本。这是模型能否真正泛化，还是仅靠死记硬背的关键区别。
3. 持续优化
原理： 部署后的系统会持续捕捉生产阶段的图像，标记出不确定的预测结果，并反馈到再训练周期中。
优势： 运行第365天的模型，比第1天的模型要智能得多。
4. 开放架构与混合架构
开放性： 模型可以导出为标准格式（如ONNX），不会被某一家硬件厂商锁定。
混合架构：
AI负责：在复杂背景下定位零件（这是应对换型问题的关键能力）。
传统视觉负责：在AI划定的区域内，进行精确测量（如卡尺测量）。
举个例子： AI找到PCB连接器位置，OpenCV测量引脚间距。
构建自适应检测系统：实用实施路径
从僵化的视觉系统转向自适应系统，不需要拆除现有摄像头。这个过渡可以循序渐进地完成。
- 审计失效模式： 整理当前系统中，哪些换型耗时最长？哪些SKU的误判率最高？
- 从最棘手的问题入手： 选择外观缺陷检测（如划痕、凹痕）作为切入点。因为这类问题，传统规则最难准确表达。
- 收集并标注数据： 就用现有的相机拍摄。利用AI辅助标注工具（如SAM），可以节省50%到80%的时间。
- 培训、验证、部署、监控： 采用“影子模式”部署——新旧系统并行运行，但只让传统系统做决策。先验证新模型的准确性。
- 形成闭环： 建立一套流程，将低置信度的预测结果标记出来供人工审核，并定期进行重新训练。
成本与投资回报率分析
- 平台成本层级：
传统方案（如Cognex VPDL）：按站点授权 + 昂贵的硬件（加密狗、GPU）。
现代深度学习平台：通常更灵活，支持边缘端部署。 - 投资回报率驱动因素：
- 换装停机时间减少： 从数小时缩短到数分钟。
- 误判率降低： 减少良品被浪费。
- 缺陷漏检率降低： 减少保修费用和客户投诉。
- 减少人工依赖： 尤其是夜班等难以招聘人力的检查岗位。
典型试点时间线： 从审计到影子部署验证结果，通常需要 6–12 周。
向AI检测供应商提出的关键问题
在评估供应商时，建议带着以下清单参加技术演示：
“我们的质量团队能否不写代码就完成数据标注？”
危险信号： 需要Python脚本或命令行操作。
“针对新产品需要多少张图片？训练需要多长时间？”
理想答案： 50-200张，数小时即可完成。
“遇到从未见过的缺陷怎么办？”
关注重点： 异常检测能力、主动学习机制、再训练的便捷性。
“我能导出模型并在不同硬件上运行吗？”
危险信号： 拒绝导出，意味着你被供应商锁定。
“系统能兼容我们现有的相机吗？”
标准： 应支持Basler、FLIR、Keyence等主流工业相机。
“换型操作具体是怎样的流程？”
请他们详细描述一个场景：来了一个新SKU，表面处理完全不同，重新训练需要多久？产线需要停机吗？
“第二年及后续的成本是怎样的？”
问清楚续期价格、技术支持费用以及总拥有成本。
常见问题解答
Q: 训练模型需要多少张图像？
A: 取决于缺陷的多样性。单一缺陷通常需要200-500张；多类别缺陷，每类可能需要500-2000张。使用迁移学习可以显著减少这个数量。
Q: 我可以用现有的Basler/FLIR/Keyence相机吗？
A: 可以。任何能输出标准图像格式或支持GigE Vision协议的相机都可以使用。
Q: 深度学习方案的准确性足够高吗？
A: 在数据充足的情况下，通常可以达到95-99%以上的准确率。关键在于建立持续优化的闭环机制。
Q: 如何处理从未见过的缺陷类型？
A: 可以通过异常检测——只使用“良品”图像进行训练——来捕捉未知缺陷，然后通过主动学习将其纳入下一个训练周期。