视觉检测与自动检测系统

视觉检测是用工业相机、光学系统、光源和视觉算法，对工件的外观、尺寸、孔位、字符、缺陷等特征做自动采集和判断，并输出检测结果的方式。它的重点不是「拍下来」，而是让判断结论能驱动分拣、放行或隔离，并且能被记录。

常见六大类：有无与装配完整性、尺寸与几何、孔与孔位、外观与表面缺陷、字符与编码，以及色差这类需要专门方案的项目。具体哪些项目能做、做到什么程度，要按工件材质、表面状态、公差要求和缺陷特征评估。

可以针对平面尺寸类项目做评估，例如长度、宽度、外径、中心距、间距、角度等。但尺寸检测对工件定位、相机与镜头、光源、算法和环境稳定性都敏感，需要按公差反推光学方案，并用样件测试确认重复性。

可以评估，但孔径属于精细测量项：它和「有没有孔」不是一个难度级别。孔径测量通常需要结合镜头（必要时用远心光学）、专用光源、稳定定位与测量算法，并可能配合激光或位移传感器等方式。具体方案按工件与公差评估。

可以。孔位是相对位置判断，通常比孔径测量更容易实现，但前提是定位基准清楚、工件每次到位一致。孔数量与孔有无属于有无判断，实现难度又低于孔位。三类项目要分开评估。

可以针对特定表面和特定缺陷特征做评估。但效果受划痕宽度、长度、深度、方向、反光，以及工件材质、光源角度、相机分辨率和背景影响。所以必须用 OK 样品、NG 样品和实际缺陷样本做测试，本页不给出未经验证的检测下限。

可以针对部分可见毛刺做检测。毛刺的位置、大小、方向、颜色、遮挡、反光和形状都会影响结果。非常小的毛刺、隐藏区域毛刺和复杂三维毛刺，可能需要多角度视觉、3D 视觉、激光、其它传感器或机械检测，具体方案必须测试。

可以，但要先明确缺陷种类与判定程度。外观检测比尺寸检测更依赖光源、表面材质、颜色、反光和缺陷对比度，所以同样是「外观检测」，不同工件的方案可能完全不同。需要根据真实样件做视觉测试。

可以，而且这是视觉检测里相对成熟的一类。判断「有没有」只需要区分两种状态，对精度的要求低于测量类项目。如果能用一只传感器稳定解决，也可以考虑传感器方案，不必都上视觉。

可以评估。常见项目包括零件、螺钉、密封圈、插针、连接器的有无，零件方向，组件是否装反、是否漏装、是否错装。这类检测通常按「该位置应有 / 不应有特征」逐个判断，适合用真实装配件做样件测试。

可以，但要区分两件事：OCR 是读取字符「写了什么」，字符检测是判断字符「是否存在、是否符合要求」。印歪了但还能读出来算不算不合格，取决于客户的判定标准，需要在方案阶段先约定。

可以读取编码内容。同样要区分「读出来」和「判合格」：二维码检测判断的是条码或二维码是否满足读取条件或质量要求。具体能力按真实系统描述。

2D 视觉处理平面图像，适合平面尺寸、轮廓、字符、表面缺陷、有无、位置和部分孔位；3D 视觉在方案支持的前提下可以评估高度、深度、三维形貌、空间位置和表面三维缺陷。不能说谁一定更好，要按检测对象、精度、表面特征、速度、成本和安装空间一起选。

由需求反推：先有产品要求和检测公差，再定检测方法、光学方案与算法，最后用实际样件验证。相机分辨率、镜头、视野、工作距离、工件定位精度、光学畸变、环境振动与温度、检测速度都会影响最终结果。

这个问题不能脱离工件与公差回答。同一套系统，测不同特征、不同公差带的项目，表现不一样。本页不填写固定精度数字，避免给出没有依据的承诺。

完整周期由四段相加：理论检测时间、上下料时间、数据处理时间和分拣时间。检测项越多、相机越多、算法越复杂，时间越长。最终节拍需要根据项目测试确定，本页不做预先承诺。

可以。在线检测把检测放在加工设备之后、由上下料机构或输送线送检，特点是实时、减少人工搬运、可与产线联动、适合连续生产。如果暂时不方便改造原有产线，也可以先做独立的离线检测工位。

可以。检测单元与机床之间通过 PLC 与信号交互，完成取件、送检、判定与回流。检测位通常设置在下料侧，工件不用离开原有物流方向。具体衔接方式按现场设备与产线布置确定。

可以。机器人负责取件、搬运、翻转、放置与分拣，视觉负责检测、判断和结果输出，两者配合形成「机器人 + 视觉检测 + OK/NG 分拣」的常见组合。需要注意的是，判断仍然来自光学方案与算法，机器人本身不判断质量。

可能的方式包括 NG 料框、NG 输送线、机器人分拣、气缸推料、人工复核位、返修工位、重新检测和隔离区。具体选哪种，必须在方案阶段与客户的生产流程一起确定，不能只输出一个「NG」。

可以按项目需求进行数据接口和 MES 对接。可记录的字段包括工件 ID、时间、设备、检测项目、检测结果、尺寸数据、NG 原因和检测图片等。如果项目里没有真实的 MES 接口，本页不会写成已经完成数据闭环。

基本包括：工件名称与图片、工件图纸、工件尺寸与重量、材质、颜色、表面状态，检测项目与检测尺寸、检测公差、最小缺陷尺寸，以及 OK 样品、NG 样品、检测位置、检测数量、每小时产量与目标节拍，另外还有设备数量、上下料方式、工件定位方式，以及是否需要机器人、自动分拣和 MES。

因为检测能力的物理前提是「合格件与不合格件在图像上有差别」。这个差别有多大、能不能被稳定捕捉，只有用真实样品才能确认。只有图纸没有样品，方案只能停留在假设阶段。

可以。金属工件的主要课题是反光：亮面金属容易产生镜面反射，可能压低缺陷对比度，也可能在图像里制造出并不存在的「缺陷」。这属于光源与打光方式要解决的问题，通常需要专门的光学方案与样件测试。

可以，需要针对性地选择光源角度、偏振、漫射或其它打光方式，必要时改变相机与光源的相对位置。具体方案仍以真实样件测试结果为准，本页不承诺「任何反光件都能做」。

可以。黑色吸光会降低图像对比度，所以需要匹配的光源与打光方式（例如换角度、换光型）来把特征拉出来。实现难度通常高于浅色件，必须用样件确认。

不预先承诺检测下限。能不能看到一条划痕，取决于它与背景的对比度、光学系统的分辨能力、打光方式和工件表面状态。只有通过实际缺陷样本测试，才能回答「多小能测」。

自动检测的优势是判定口径稳定、可重复、可记录、可全检；人工检测的优势是能处理复杂、模糊、需要经验判断的情形，换产品最快。工程上的常见做法是让自动检测承担重复、标准一致的判断，人工放在异常复核与复杂判断上。

典型情况包括：判定标准说不清楚；OK 与 NG 在图像上没有可分辨的差别；拿不出样件做测试；需要检测内部结构；必须触测才能确定的尺寸；批量很小、换型极频繁。这些场景更适合继续用人工、传感器或专用测量设备。