随着工业自动化控制与计算机技术的深度融合，自动点胶机已不再是新兴设备——从微电路、LED到消费电子，再到一般工业中的连接、注涂与密封，其应用几乎遍布各个领域。这类设备确实大幅提升了效率，复杂点胶工艺也不在话下，但最令人困扰的，仍然是点胶过程中的质量把控问题。在实际生产中，胶水温度、设备工艺水平等任何环节出现微小偏差，都可能引发气泡、胶条断裂、宽度不均等诸多缺陷。因此，如何有效实现点胶缺陷检测，已成为众多生产环节的“刚需”。过去依赖人工排查的方式，劳动强度大、效率低、精度不足，早已无法满足现代生产节奏。正因如此，基于机器视觉的检测技术才成为破局的关键——成本低、精度高、速度快，完美契合了当前需求。

一、基于机器视觉检测技术现状

机器视觉的本质，是将计算机视觉的研究方法与光源照明、高速图像采集等实用技术相结合。但要真正构建一套工业级视觉应用系统，涉及的技术门类相当广泛：机械工程、传感器、光学成像、运动控制、图像处理……缺一不可。下图展示的便是这样一个完整的机器视觉系统框架，涵盖被测目标、光源、光学成像、图像捕捉、数字化采集、智能图像处理及运动控制模块。

随着技术持续迭代，国外研发机构相继推出了众多成熟的视觉软件库，例如Matrox Imaging Library (MIL)、Halcon、Matlab以及开源的OpenCV。这些工具的图像处理能力极为强大，早已在工业生产线中广泛应用。目前，机器视觉领域的主流算法大致可分为两类：一类是传统数字图像处理算法，另一类是基于卷积神经网络的深度学习方法。

传统数字图像处理方法操作相对简洁，参数较少，主要通过图像分割和特征提取（例如计算胶层的面积、质心，或自定义复杂度公式）来判定胶层质量。但其短板也很明显：易受光照影响，图像分割效果不稳定，缺陷分类不够细致，通用性较弱。

而深度学习路线则呈现出另一番局面。随着大数据时代的信息获取变得极为便捷，网络模型能够获得充足的数据支撑。尤其在卷积神经网络中，图像经过深度卷积与池化后，模型学习到的特征往往比手动提取的更泛化、更抽象，因此在识别分类方面表现优异。这也为点胶缺陷识别提供了更大的发挥空间。当然，深度学习并非没有门槛——它对训练数据量和计算能力的要求很高，这在许多领域都成为落地应用的瓶颈，直接影响了检测效率。

二、点胶检测系统的光学检测方案

在进行点胶缺陷检测时，图像信号的持续、稳定获取是不可或缺的环节。图像质量的高低直接决定了后续算法设计的难易程度。因此，光学检测部分的硬件选型尤为关键。

（图2-1）

考虑到胶条本身透明且反光严重，这就要求光源在各个角度的光照都能做到足够均匀。而同轴光源恰好具备高密度排列、成像清晰、亮度均匀的特点，非常适合这一场景。不过，仅靠同轴光仍存在问题——由于光源与胶条有一定距离，胶条内微小的气泡特征难以清晰捕捉。因此，实际方案通常还会增加一组条形光源，从侧面照射胶条上方，将气泡特征“逼”出来。这样，同轴光源负责垂直大面积均匀照明，条形光源则从侧面进行补强，双管齐下，互不遮挡，效果极佳。

三、点胶检测系统的算法方案

3.1 点胶缺陷的类别定义

在实际生产中，点胶量的大小、点胶压力、针头尺寸、胶水粘度甚至温度的变化，都可能导致胶条出现各种缺陷。行业内常见的几种缺陷定义大致如下：

• 多胶：胶条中间部分宽度明显大于其他区域；
• 少胶：胶条中间部分宽度明显小于其他区域；
• 断胶：胶条出现一次或多次断裂；
• 扭曲：胶条整体存在多处弯曲变形；
• 气泡：胶条内部含有较多气泡。

与之相对，符合生产要求的正常胶条形态如图3-1 f)所示。

在实际检测中，有两个要点需特别注意：第一，点胶图片数量众多，检测流程必须快速，对处理速度要求很高；第二，图片质量易受环境因素干扰，算法不仅需要准确性，还需具备足够的鲁棒性以应对复杂情况。

3.2 基于数字图像处理的算法

在进行胶条缺陷检测之前，需要先准确定位胶条所在区域。实际生产中，工件的特定区域会被标记为Mark定位点，通过图像匹配找到该Mark点，即可精确截取胶条位置。这样一来，从摄像头获取整幅工件图像后，无需对全部画面进行处理，既降低了干扰，也减轻了后续算法的负担。

针对不同缺陷，传统数字图像处理大致有以下检测思路：

• 多胶/少胶： 先对图像进行预处理，获取二值化图像，再提取胶条两侧轮廓。然后在水平和垂直方向做投影，通过对比像素数量的最大值与最小值差值，以及投影曲线的形状，来判断是否存在多胶或少胶。
• 断胶： 利用胶条断裂特征，先做闭运算断开胶条间的微小连接，然后提取轮廓，通过各轮廓的面积判断断裂是否发生。
• 扭曲： 计算轮廓的凸缺陷面积，即轮廓面积与凸包面积之差，以此作为扭曲程度的判定指标。
• 气泡： 依靠霍夫圆变换检测图中的圆形，同时计算其面积，再根据面积和数量阈值，判定是否存在气泡缺陷。

（图3-2 深度学习检测系统搭建流程）

· 深度学习模型的选择

如果决定采用深度学习路线，第一步就是选择合适的网络模型。由于胶条缺陷只有6类，类别不多，可选网络较多，例如AlexNet、MobileNet、LeNet-5、U-net等，根据实际场景的性能与算力权衡选择即可。

· 训练方案改进

经典网络模型的原始准确率往往不够，要适配实际工况就必须进行改进。通常可从数据增强、迁移学习及优化网络结构三方面入手。在实际生产中，缺陷样本稀缺、类别不均衡是常态，而深度神经网络参数极其庞大，没有足够规模的数据，很容易导致“营养不良”。在工业场景下，通常采用的应对措施包括人工制造缺陷样本、数据增广、生成对抗网络以及迁移学习等。

（图3-3 深度学习数据支撑手段）

训练过程中的微调同样不可或缺。过拟合在深度学习中算是老生常谈的问题，一旦模型陷入过拟合，基本就失效了。模型集成是常见的抗过拟合手段，但数量一多，时间和算力成本也会随之上升。Hinton提出的dropout策略效果不错——训练时按一定概率将某些神经元“归零”，每次训练相当于训练一个不同结构的网络，取平均结果既能抑制过拟合，也能减小神经元之间的共适应性。当然，没有万能的模型，只有最适合当前场景的方案。

四、结论

由于点胶过程中的种种不确定性，缺陷几乎难以避免，因此采用机器视觉进行缺陷检测，已经成为提升生产效率、降低综合成本、增强产品竞争力的主流选择。当前机器视觉领域主要分为传统数字图像处理和深度学习两条路线。传统方法在简单缺陷检测场景下成本低、速度与精度也能满足要求，但短板在于通用性差——几乎每种缺陷都需要单独编写特定算法。深度学习则相反，换一批缺陷类型，只需重新标注数据、再训练即可轻松搞定，且处理复杂缺陷时表现通常更好。当然，它也有自身痛点：获取大量高质量标注数据的成本不低，产线换型后算法响应也较慢。不过，随着深度学习技术快速迭代，加上大数据时代的红利继续释放，这类算法在未来落地到更多实际场景中，应该只是时间问题。