机器视觉与深度学习：革新制造业自动外观检查的完整指南

在制造业中，自动外观检查正经历一场革命。人工智能，特别是深度学习技术，正在为生产线上产品质量控制带来更快、更便宜、更优越的自动化方案。本教程将带你深入了解自动视觉评估的核心概念，以及深度学习如何节省大量时间和精力，彻底改变传统检测方式。

什么是外观检查？

外观检查是指对生产线上的产品进行系统分析，以达到质量控制的目的。它还可以用于生产设施中各种设备（如储罐、压力容器、管道等）的内部和外部评估。这是一个定期进行的过程（例如每天），大量研究表明，目视检查能够在生产过程中发现大多数隐藏的缺陷。

小提示： 外观检查不仅适用于成品，也适用于零部件、原材料以及生产设备的日常维护。提前发现微小缺陷可以避免后续更大的损失。

什么时候需要目视检查？

目视检查在制造中主要用于质量或缺陷评估，但在非生产环境中，也可用于确定是否存在指示“目标”的特征，从而防止潜在的负面影响。以下行业对视力检查的要求极高，且后果严重：

• 核武器、核电
• 机场行李检查
• 飞机维修
• 食品工业
• 医药和制药

使用外观检查的行业细分

小提示： 在这些高风险行业中，任何一个检查失误都可能导致人员伤亡、设备报废或客户流失，因此必须采用最可靠的方法。

为什么不只坚持手工检查？

尽管传统手工检查有其价值，但存在诸多限制。手动检查需要一名训练有素的检查员在场，依靠肉眼和经验进行判断。然而：

• 研究表明，目视检查错误率通常为20%至30%（Drury & Fox, 1975）。一些缺陷源于人为错误，另一些则受限于空间或环境因素。
• 遗漏现有缺陷（未命中）和错误标识不存在的缺陷（误报）是两种主要错误形式。其中，未命中的发生率远高于误报（See, 2012）。未命中导致质量下降，误报则造成不必要的生产成本和浪费。

检验过程（来源：视觉检查在21世纪的作用，See & Drury, 2017）

影响检验绩效的因素

此外，人眼本身也存在固有限制：

• 单凭人眼是不可靠的 — 视觉错觉（如黑点在白线交点处出现并消失）能轻易欺骗人眼。完全依赖肉眼检查是不明智的。
• 视力不精确 — 人眼无法进行精确的微小测量。例如，难以辨别两个相似物体中哪个稍大或稍小，也难以评估表面粗糙度、尺寸等特性。
• 劳动力成本高昂 — 人工检查操作员的年薪通常在50,000至60,000美元之间，且需要多名人员。

手动检查的局限性

一种视觉错觉，黑点似乎在白线的交点处出现并消失。

平行线似乎在倾斜。

资料来源：Glassdoor

新时代的替代：自动外观检查

自动化外观检查（A VI）通过使整个检查过程独立于人工干预来克服上述问题。使用深度学习和机器视觉构建的智能系统，能够执行彻底的质量检查，甚至涵盖最精细的细节。不需要复杂的物理机器人，核心在于利用深度学习使检测过程更加智能化。典型步骤包括：图像采集、预处理、特征提取、分类等，属于广义图像识别范畴。

什么是深度学习？它如何发挥作用？

深度学习技术使用包含数千层的神经网络，擅长模仿人类智能，能够区分异常、零件和特征，同时容忍复杂模式下的自然变化。它将人类视觉检查的适应性与计算机系统的速度和鲁棒性融合在一起。

深度学习教机器如何通过示例进行学习。新的低成本硬件使部署多层“深度”神经网络变得可行，从而赋予制造技术新的能力：识别图像、区分趋势、做出预测和决策。深度神经网络从初始训练中开发核心逻辑，并随着新图像、语音和文本的出现不断完善性能。

深度学习过程的逐层分解

那么什么是机器视觉？

机器视觉是用于提供基于图像的自动检查的技术和方法。它利用视觉计算技术，以机械方式“看到”生产线上的活动。自动检查系统的典型组件包括：照明、摄像机或其他图像获取设备、处理器、软件和输出设备。

在结构化场景的定量和定性测量中，机器视觉在速度、准确性和可重复性方面优于人类视觉。它可以评估人眼难以看到的微小细节，并以更高的可靠性进行检测。机器视觉系统每分钟可以检查数百或数千个零件，远超人类能力。

光学字符识别（左）和缺陷检测（右）是A VI中机器视觉的常见方面

然而，传统自动化系统缺乏人类的灵活性和容忍度。手工检查员能区分细微外观和功能缺陷，解释零件外观变化。人类擅长通过示例学习，区分真正重要的异常。因此，对于复杂、无结构的场景（尤其是细微和不可预测的缺陷），机器视觉如何实现最佳检测？答案在于与深度学习结合。

为什么机器视觉和深度学习可以携手并进？

机器视觉系统能承受缩放、旋转、姿势变形导致的零件外观变化，但复杂的表面纹理和图像质量问题仍然是挑战。单凭机器视觉难以评估视觉相似图像之间的巨大差异。

基于深度学习的系统非常适合更复杂的视觉检查：以细微但可容忍的方式变化的模式。深度学习擅长解决复杂的表面和外观缺陷，例如车削、刷过或发亮零件上的划痕和凹痕。在定位、阅读、检查或分类特征时，深度学习在概念化和泛化零件外观方面与传统机器视觉有本质区别。

小提示： 深度学习模型可以处理“看起来差不多但实际有差异”的情况，比如不同光照下的同一种零件，这正是传统规则算法容易出错的地方。

选择自动外观检查的更多原因

更好的感知

机器视觉具有非常高的光学分辨率，取决于图像采集技术。其视觉感知范围“更广泛”，可在紫外线、X射线和红外区域进行观察。

更快

观察和结论都非常迅速，以FLOPs衡量计算机速度，且能进行精确计算。系统具有更高的处理速度和潜在无限存储容量。

可靠

系统按指令执行，无偏见，可根据需要编程。

准确

能够以标准化方式测量绝对尺寸。

不依赖于环境

可部署在危险、危险或人类难以进入的环境中。

如何开始自动外观检查

启动自动外观检查（A VI）所需的物理设备并不多，主要分为硬件和软件资源两部分。

硬件

核心设备包括照相机、光度计、色度计等，以及可选辅助设备（如分级或分选设备），具体取决于行业和自动化流程。

本质上，我们是在拍照并分析图像——你只需要一台照相机！实际物理设备通常分为三个子系统：

• 进纸系统 — 均匀分散物品并以恒定速度移动，使光学系统能捕获单个物品的图像。
• 光学系统 — 由专门调整的光源和传感器（通常是数码相机）组成，捕获被检物品图像供软件处理。
• 分离系统 — 清除有缺陷项目，并根据产品质量分类。

自动外观检查的处理流程

软件

软件是A VI的核心，其基础是计算机视觉技术，帮助检查产品或对象是否存在缺陷。软件部分需要高级图像分析算法和繁重的编程。这些算法处理图像以调整质量、找到兴趣点和区域，并基于特征进行决策。

深度学习技术使自动视觉检查系统的性能超越人类或传统机器视觉过程。由于深度学习模型在检查问题上取得了巨大成功，已成为软件不可或缺的部分。例如，利用螺栓的数千张图像进行训练，深度学习算法会逐渐学会检测与螺栓“标准”外观的任何有意义偏差。根据用例，可以使用对象检测、语义分割、图像分类等任务，也可能涉及OCR模型读取序列号或条形码。

为了维持高图像处理速度，通常必须在高资源计算机上部署经过训练的深度学习模型。例如，必须有GPU才能实时获取结果。

影响最终检查模型准确性和性能的关键因素包括：照明条件、检查产品数量、缺陷类型、缺陷/物体大小、图像分辨率等。因此，构建自动外观检查系统需要熟练的研发工程师团队。每个制造单位都有独特的数据（图像），A VI的软件部分始终是定制的解决方案。

常见问题

Q1: 自动外观检查能完全取代人工检查吗？

A: 在大多数标准化、重复性的生产线上，自动化系统可以大幅度替代人工，并且效果更好。但在需要高度灵活性、复杂判断（例如艺术性评估）或极端不可预测场景下，仍需人工辅助。通常采用“自动化为主，人工抽查为辅”的模式。

Q2: 我的工厂只需要一个摄像头就能实现自动检查吗？

A: 硬件上确实需要摄像头和光源，但更重要的是软件算法和模型训练。你需要收集大量带标签的产品图像（良品和缺陷品），然后训练深度学习模型。此外，图像的采集环境（照明、角度、速度）需要严格控制，否则模型会失效。建议与专业方案提供商合作。

Q3: 训练一个深度学习检查模型需要多少张图片？

A: 数量取决于缺陷的复杂性和多样性。简单的划痕检测可能需要几百张，而复杂的表面纹理缺陷可能需要数千甚至上万张。通常建议至少准备每类缺陷100张以上，良品图像越多越好。同时要保证图像覆盖不同角度、光照和变形。

Q4: 部署自动外观检查的成本高吗？

A: 初期成本包括硬件（摄像头、光源、工控机、GPU服务器）、软件开发和模型训练。后期主要是维护和模型迭代。相比人工检查（每年每人数万美元），自动化系统通常在6-12个月内通过减少废品和提高效率收回成本。长期来看，成本显著低于纯人工方案。

Q5: 如果生产线速度很快，深度学习能实时检测吗？

A: 可以。现代GPU和优化过的模型（如YOLO、MobileNet）能够在毫秒级别完成图像分析。实际部署时需测试处理速度，确保每张图像的处理时间小于生产线节拍时间。如果瓶颈出现，可通过减少图像分辨率、使用轻量级模型或增加并行计算资源解决。

总结： 机器视觉与深度学习的结合，为制造业自动检查提供了前所未有的精度、速度和可靠性。从理解外观检查的必要性，到掌握深度学习与机器视觉的核心原理，再到实际部署的硬件与软件需求，本教程为你提供了完整的路线图。现在就评估你的生产线，开启智能检测的转型之旅吧！