1. 项目概述：从概念到落地的工业视觉检测

最近几年，和不少做自动化设备、产线集成的朋友聊天，发现一个共同的痛点：产品外观检测。人工目检效率低、标准不一、容易疲劳，而市面上的标准视觉检测软件要么贵得离谱，要么灵活性不够，很难适配千变万化的现场工况。于是，自己动手，用 Python 和 OpenCV 搭建一套工业级的机器视觉检测系统，就成了一个极具性价比和实用价值的方案。这不仅仅是调用几个 API 那么简单，它涉及到从图像采集、预处理、算法设计到系统集成、稳定运行的完整链条。

这套系统的核心目标，是在保证高精度和高稳定性的前提下，实现缺陷的自动识别、分类和定位，最终将结果反馈给 PLC 或机械臂，完成剔除、分拣等动作。它适合谁呢？如果你是自动化工程师、设备开发人员，或者是对机器视觉感兴趣、希望将算法能力应用到实际产线的开发者，那么这个从零到一的构建过程，会给你带来很多启发。我们不仅要讲“怎么做”，更要深挖“为什么这么做”，以及在实际工厂环境中那些容易踩坑的细节。

2. 系统整体架构与核心设计思路

一套可靠的工业视觉系统，绝不能是几个脚本的简单堆砌。它需要像一台精密的仪器，每个环节都经过深思熟虑的设计。我的整体架构可以概括为“三层两线”。

2.1 硬件层：眼睛、大脑与手脚的协同

硬件是系统的物理基础，选型直接决定了系统的上限。

工业相机与镜头：这是系统的“眼睛”。千万不能直接用 USB 网络摄像头。工业相机需要稳定、抗干扰。我通常选择千兆网（GigE）接口的工业相机，因为它传输距离远、抗干扰能力强、协议标准。分辨率根据检测精度来定，比如检测 0.1mm 的瑕疵，视野（FOV）是 100mm，那么相机分辨率至少需要 (100/0.1) = 1000 像素，选择 1280x1024 的相机是稳妥的。镜头选型涉及焦距、视野和工作距离的计算。一个简单的公式：焦距 f = (工作距离 * 传感器尺寸) / 视野。例如，工作距离 500mm，视野 100mm，使用 1/1.8” 的传感器（靶面尺寸约 7.2mm x 5.4mm），那么所需焦距 f ≈ (500 * 7.2) / 100 ≈ 36mm。我会选择一款 35mm 的定焦工业镜头。

光源与打光方案：这是视觉检测成败的“七分光”。打光不好，再好的算法也白搭。核心原则是“凸显特征，抑制干扰”。对于表面划伤、凹坑等缺陷，常用低角度环形光或条形光，形成明暗对比；对于字符、印刷品检测，常用同轴光，避免反光。我习惯准备一个可调亮度的光源控制器，在现场反复调试，找到最能突出缺陷、同时背景均一的光照条件。这是最耗时间，但也最值得投入的环节。

工控机与触发机制：工控机是“大脑”，需要无风扇设计、宽温耐受、多网口和串口。我选择搭载 Intel i5 或 i7 处理器的型号，内存 16GB 起步，并配备固态硬盘。触发是协同的“神经”。通常由光电传感器或 PLC 给出一个触发信号（通常是 24V 脉冲）给相机的 I/O 口，相机收到信号后立即拍照，同时通过网线将触发事件通知工控机上的软件。这种硬触发方式能确保拍照时机与产品位置严格同步，是高速流水线检测的基石。

2.2 软件层：稳定、高效与可维护的代码架构

软件层采用模块化设计，核心是解耦和容错。

图像采集模块：不使用相机厂商自带的臃肿 SDK，而是采用Harvesters或pypylon库通过 GenICam 标准协议直接控制 GigE 相机。这样代码通用性强，切换相机品牌影响最小。这个模块的核心任务是：建立相机连接、配置参数（曝光、增益、触发模式）、接收触发信号、抓取图像，并将图像放入一个线程安全的队列中。

import threading from queue import Queue from harvesters.core import Harvester class CameraAcquisition: def __init__(self, camera_cti_file): self.harvester = Harvester() self.harvester.add_cti_file(camera_cti_file) # 加载相机驱动文件 self.device = None self.image_queue = Queue(maxsize=10) # 设置缓冲队列，防止堆积 self.acquisition_thread = None self._stop_event = threading.Event() def start_acquisition(self): self.device = self.harvester.create_image_acquirer(0) self.device.remote_device.node_map.AcquisitionMode.value = 'Continuous' self.device.remote_device.node_map.TriggerMode.value = 'On' self.device.remote_device.node_map.TriggerSource.value = 'Line1' # 硬件触发源 self.device.start_image_acquisition() self._stop_event.clear() self.acquisition_thread = threading.Thread(target=self._grab_loop) self.acquisition_thread.start() def _grab_loop(self): while not self._stop_event.is_set(): try: with self.device.fetch_buffer() as buffer: if buffer: # 将图像数据转换为numpy数组 image_data = buffer.payload.components[0].data image = image_data.reshape(buffer.payload.components[0].height, buffer.payload.components[0].width) self.image_queue.put(image.copy()) # 深拷贝，避免内存覆盖 except Exception as e: # 记录日志，不退出循环 log_error(f"抓图失败: {e}") time.sleep(0.01)

图像处理与算法模块：这是系统的“心脏”。我将其设计为一个可插拔的管道（Pipeline）。每个检测项（如尺寸测量、缺陷检测、OCR）都是一个独立的处理单元（Processor）。主程序从队列中取出图像，依次流经需要的处理器。这样做的好处是，新增或修改检测项时，只需增删或替换对应的处理器，不影响整体框架。

通信与控制系统：这是系统的“手脚”。检测结果需要传递给外部世界。与 PLC 通信最可靠的方式是通过工业以太网协议，如Modbus TCP。Python 可以使用pymodbus库。我们会在工控机上模拟一个 Modbus 从站（Server），将检测结果（OK/NG、缺陷类型代码、坐标）写入到特定的保持寄存器（Holding Register）中。PLC 作为主站（Client）定期读取这些寄存器，从而获知结果并控制剔除气缸动作。

from pymodbus.server import StartTcpServer from pymodbus.datastore import ModbusSlaveContext, ModbusServerContext from pymodbus.datastore import ModbusSequentialDataBlock def run_modbus_server(): # 初始化数据存储块，地址0开始，用于存储10个寄存器的值 store = ModbusSlaveContext( hr=ModbusSequentialDataBlock(0, [0]*10) # 保持寄存器，初始为0 ) context = ModbusServerContext(slaves=store, single=True) # 启动Modbus TCP服务器，端口502是标准端口 StartTcpServer(context=context, address=("0.0.0.0", 502))

人机交互（HMI）与数据管理模块：这是系统的“面孔”和“记忆”。我用PyQt5或DearPyGui开发一个简单的桌面界面，用于实时显示图像、检测结果、统计报表，并提供参数调整入口。所有检测结果（图像、结果、时间戳）都会存入SQLite或MySQL数据库，便于后期追溯和质量分析。

2.3 核心设计思路：鲁棒性高于一切

工业现场环境恶劣：振动、灰尘、温度变化、电磁干扰。因此，系统的设计必须围绕“鲁棒性”展开。

1. 异常处理无处不在：每个可能失败的环节（网络断开、相机掉线、算法异常）都必须有try...except包裹，并记录到日志文件，系统应能降级运行或安全重启。
2. 心跳与看门狗：主程序会定期向一个“看门狗”线程或外部硬件发送“心跳”信号。如果超过设定时间未收到心跳，则认为主程序已死锁，看门狗将自动重启整个应用。
3. 参数持久化与版本管理：所有相机参数、算法阈值、通信配置都保存在 JSON 或 YAML 配置文件中。修改参数无需改动代码。对配置文件进行版本管理，可以快速回滚到稳定状态。
4. 资源管理：严格管理内存和线程。图像处理完成后立即释放大内存对象；使用线程池控制并发数量，避免线程爆炸。

3. 核心视觉算法拆解与实战要点

有了稳固的架构，接下来就是填充核心的视觉算法。工业检测算法千变万化，但归根结底可以归纳为几类经典问题。

3.1 图像预处理：化腐朽为神奇的第一步

原始图像通常包含噪声、光照不均、背景复杂等问题。预处理的目标是“净化”图像，让目标特征更容易被后续算法捕捉。

灰度化与滤波：彩色图像通常先转为灰度图以减少计算量。对于椒盐噪声，使用中值滤波（cv2.medianBlur）效果最好；对于高斯噪声，使用高斯滤波（cv2.GaussianBlur）。滤波核大小是关键参数，太大会模糊边缘，太小去噪不彻底。我的经验是从 3x3 或 5x5 开始尝试，根据效果微调。

光照校正：这是应对现场光照波动的利器。常用的方法是“顶帽变换”（Top-hat）和“底帽变换”（Bottom-hat）结合。顶帽变换（原图 - 开运算）能提取比背景亮的细节（如凸起、划痕），底帽变换（闭运算 - 原图）能提取比背景暗的细节（如凹坑、脏污）。将两者结合，可以有效抵消不均匀背景。

import cv2 import numpy as np def uneven_light_compensate(gray_img, kernel_size=31): """使用顶帽和底帽变换进行光照补偿""" kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (kernel_size, kernel_size)) # 顶帽变换：提取亮区域特征 tophat = cv2.morphologyEx(gray_img, cv2.MORPH_TOPHAT, kernel) # 底帽变换：提取暗区域特征 blackhat = cv2.morphologyEx(gray_img, cv2.MORPH_BLACKHAT, kernel) # 原图加上顶帽，减去底帽，可以增强对比并平滑背景 compensated = cv2.add(gray_img, tophat) compensated = cv2.subtract(compensated, blackhat) # 最后进行直方图均衡化，进一步拉伸对比度 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) result = clahe.apply(compensated) return result

二值化：将灰度图转为黑白图，是分割目标与背景的关键步骤。全局阈值（cv2.threshold）在背景对比度高时有效。但更通用的是自适应阈值（cv2.adaptiveThreshold），它为图像中每个小区域计算独立的阈值，能很好地处理光照渐变。我常用高斯加权平均的自适应方法（ADAPTIVE_THRESH_GAUSSIAN_C）。

注意：预处理的所有参数（滤波核大小、形态学核大小、阈值参数）都必须做成可配置项，并在现场用实际样品进行精细调试。一个常见的坑是，在办公室灯光下调好的参数，到了车间完全失效。因此，必须采集现场不同时段、不同批次产品的图像来验证参数的鲁棒性。

3.2 特征提取与模板匹配：定位与比对的基础

在检测前，我们通常需要知道产品在哪里，或者与标准品相比对。

轮廓查找与筛选：通过cv2.findContours可以找到二值图像中所有的轮廓。但我们需要的是目标产品的轮廓。这里就需要根据先验知识进行筛选：通过面积（cv2.contourArea）、外接矩形长宽比、轮廓近似多边形边数等特征，过滤掉噪声和无关区域。

特征点匹配（ORB/SIFT）：当产品可能发生旋转、缩放时，轮廓匹配可能失效。这时需要特征点算法。ORB 是免费且速度快的选择，SIFT/SUFT 精度更高但受专利保护（SIFT 专利已过期）。其流程是：1) 在标准模板图上提取特征点和描述符；2) 在实时图中提取特征点；3) 使用 FLANN 或 BFMatcher 进行匹配；4) 使用 RANSAC 算法计算单应性矩阵（Homography），从而得到实时图与模板图之间的透视变换关系。

def find_homography_by_orb(template_img, query_img): """使用ORB特征寻找单应性矩阵""" orb = cv2.ORB_create(nfeatures=1000) kp1, des1 = orb.detectAndCompute(template_img, None) kp2, des2 = orb.detectAndCompute(query_img, None) if des1 is None or des2 is None: return None # 使用BFMatcher进行匹配 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) matches = bf.match(des1, des2) matches = sorted(matches, key=lambda x: x.distance) # 提取匹配点对 src_pts = np.float32([kp1[m.queryIdx].pt for m in matches]).reshape(-1,1,2) dst_pts = np.float32([kp2[m.trainIdx].pt for m in matches]).reshape(-1,1,2) # 使用RANSAC计算单应性矩阵 H, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0) return H

模板匹配：在定位后，对于固定的特征区域（如 Logo、焊点），可以使用归一化相关系数匹配法（cv2.TM_CCOEFF_NORMED）进行比对。它会返回一个相关度分数，通过设定阈值来判断该特征是否存在或位置是否正确。

实操心得：特征点匹配非常消耗计算资源。在实际部署时，不要对整张高分辨率图片进行匹配。可以先通过粗略定位（如机械夹具保证产品大致位置）或 ROI（感兴趣区域）缩小搜索范围，大幅提升速度。同时，将标准模板的特征描述符（des1）预先计算并序列化到文件，每次启动时加载，避免重复计算。

3.3 缺陷检测算法选型实战

这是最核心的部分。针对不同的缺陷类型，需要“对症下药”。

1. 划伤、裂纹等线状缺陷：这类缺陷通常表现为细长的、与背景有对比度的区域。

• 方法：使用方向梯度检测。可以先使用 Sobel 或 Scharr 算子计算 X 和 Y 方向的梯度，然后计算梯度幅值。线状缺陷区域的梯度幅值会显著高于平滑区域。再通过阈值化和形态学闭运算（连接断点）将其提取出来。
• 关键参数：梯度算子的核大小、幅值阈值、形态学核的长度和宽度（应匹配划伤的预期长宽比）。

2. 凹坑、凸起、脏污等区域缺陷：这类缺陷表现为局部区域的灰度或纹理与周围正常区域不同。

• 方法一：背景差分。适用于背景相对稳定、产品表面纹理均一的场景。先获取一张“完美”的标准图像作为背景，实时图与背景图做绝对值差分，再阈值化。难点在于如何获取和更新“标准背景”，因为光源会衰减，相机可能微动。我常用的是动态背景更新算法，将一段时间内所有 OK 品的图像进行移动平均，缓慢更新背景模型。
• 方法二：纹理分析（更鲁棒）。使用局部二值模式（LBP）或灰度共生矩阵（GLCM）计算局部纹理特征。正常区域的纹理特征是均匀的，而有缺陷的区域纹理特征会发生突变。通过计算整张图纹理特征的统计量（如均值、方差），或滑动窗口计算局部纹理与全局纹理的差异，来定位缺陷。
• 方法三：深度学习分割。当传统方法难以定义复杂缺陷时，这是终极武器。使用 U-Net 等网络，用标注好的缺陷图像进行训练，让模型直接学习缺陷的像素级特征。优点是精度高、适应性强；缺点是需要大量标注数据、训练成本高、推理需要 GPU 加速。

3. 尺寸测量：需要高精度的长度、角度、圆直径等测量。

• 方法：亚像素边缘检测是关键。cv2.Canny检测出的边缘是像素级的。使用cv2.cornerSubPix（对于角点）或通过灰度矩心法，可以将边缘定位精度提高到亚像素级别（如 0.1 像素）。之后，在亚像素边缘点上进行直线拟合（cv2.fitLine）或圆拟合（cv2.minEnclosingCircle结合最小二乘法），得到精确的几何参数。
• 标定：像素距离到实际物理距离的转换必须通过标定来完成。使用高精度的标定板（如棋盘格），拍摄一张图像，通过cv2.findChessboardCorners和cv2.calibrateCamera可以得到相机的内参和畸变系数。更简单的是，如果镜头是垂直拍摄的（无透视畸变），只需拍摄一个已知实际尺寸的物体（如量块），计算“像素/毫米”的比例系数即可。但要注意，这个系数在视野中心与边缘可能因镜头畸变而不同，所以对于大视野高精度测量，必须进行完整的相机标定和畸变校正。

4. 系统集成、调试与性能优化全流程

算法模块准备好后，需要将它们集成到主框架中，并在真实的工控环境下进行调试和优化。

4.1 主程序流程与控制逻辑实现

主程序是一个多线程的调度中心。我通常设计一个VisionSystem主类来管理所有模块的生命周期和数据流。

import threading import time from queue import Queue, Empty import logging class VisionSystem: def __init__(self, config_path): self.config = self._load_config(config_path) self.camera = CameraAcquisition(self.config['camera']['cti_file']) self.processor_pipeline = self._init_pipeline(self.config['pipeline']) self.result_queue = Queue() # 用于传递最终结果 self.modbus_client = ModbusClient(self.config['plc']['ip']) self.ui_updater = None # UI更新回调函数 self.running = False self.processing_thread = threading.Thread(target=self._processing_loop) def _processing_loop(self): """核心处理循环""" while self.running: try: # 1. 从相机队列获取图像，超时设置防止阻塞 raw_image = self.camera.image_queue.get(timeout=1.0) start_time = time.time() # 2. 流水线处理 result = {'image': raw_image, 'ok': True, 'defects': []} current_image = raw_image.copy() for processor in self.processor_pipeline: current_image, result = processor.process(current_image, result) if not result['ok']: break # 任一环节失败，可提前终止 # 3. 记录耗时 result['process_time_ms'] = (time.time() - start_time) * 1000 # 4. 结果分发 self.result_queue.put(result) if self.ui_updater: self.ui_updater(result) # 更新UI self._send_to_plc(result) # 发送给PLC except Empty: continue # 队列为空，继续循环 except Exception as e: logging.error(f"处理循环异常: {e}") # 记录错误图像，便于分析 self._save_error_image(raw_image) def _send_to_plc(self, result): """将结果转换为Modbus寄存器值并发送""" if result['ok']: reg_values = [1] # 寄存器0写入1，表示OK else: reg_values = [2] # 寄存器0写入2，表示NG # 可以将缺陷类型编码后写入后续寄存器 for i, defect in enumerate(result['defects'][:5]): # 最多传5个缺陷 reg_values.append(self._encode_defect(defect)) try: self.modbus_client.write_registers(0, reg_values) except Exception as e: logging.error(f"PLC通信失败: {e}") # 触发报警或重试机制 def start(self): self.running = True self.camera.start_acquisition() self.processing_thread.start() logging.info("视觉系统启动") def stop(self): self.running = False self.processing_thread.join() self.camera.stop_acquisition() logging.info("视觉系统停止")

4.2 现场调试：从实验室到产线的鸿沟

实验室跑通的系统，到了现场大概率会“趴窝”。现场调试是真正的挑战。

1. 环境隔离与稳定性测试：

• 振动：将工控机、相机、光源牢固安装在机械结构上，使用减震垫。检查所有线缆接头是否锁紧。
• 电磁干扰：动力线（380V）与信号线（网线、IO线）必须分开走线槽，最好垂直交叉。使用带屏蔽层的网线和 IO 线，并将屏蔽层单点接地。
• 温度：长时间运行后，相机传感器和光源 LED 温度升高，可能导致图像亮度、焦点漂移。需要做至少 8 小时的持续运行测试，观察关键参数（如平均灰度值、清晰度）是否稳定。

2. 光源与镜头微调：

• 光源：在现场光照环境下，重新微调光源亮度和角度。有时需要加装遮光罩，防止环境光干扰。
• 镜头：使用软件触发相机拍摄，然后手动微调镜头焦距，直到图像最清晰。对于远心镜头，还需要调节光圈，在景深和进光量之间取得平衡。

3. 参数鲁棒性验证：

• 采集至少 100-200 个连续生产的 OK 品和已知的 NG 品图像。
• 用这些图像组成测试集，运行你的检测算法。
• 统计误检率（将 OK 品判为 NG）和漏检率（将 NG 品判为 OK）。工业上通常要求误检率低于 0.1%，漏检率根据缺陷严重程度而定，关键缺陷要求为 0%。
• 调整算法阈值，在误检率和漏检率之间寻找最佳平衡点。通常采用ROC 曲线来辅助决策。

4.3 性能优化：让系统飞起来

工业节拍要求高，优化至关重要。

1. 算法层面：

• ROI 限定：永远不要处理整张图。在图像中精确划定需要检测的区域（ROI），只对 ROI 进行处理，能立即减少 50%-90% 的计算量。
• 图像降采样：对于定位、粗略匹配等不需要最高精度的步骤，可以先将图像缩小到原来的 1/2 或 1/4 进行处理，定位到目标后再在原图对应区域进行精细分析。
• 选择高效算法：在满足精度要求下，选择速度更快的算法。例如，中值滤波比高斯滤波慢，可以考虑用均值滤波加阈值调整来替代。轮廓查找时，使用cv2.RETR_EXTERNAL只找最外层轮廓，比找所有轮廓快。
• 利用硬件加速：OpenCV 很多函数默认使用了 Intel IPP 或 OpenCL 加速。确保你的 OpenCV 是编译了这些优化的版本。对于循环密集型操作，考虑使用 Numba 进行 JIT 编译加速。

2. 系统层面：

• 多线程与流水线：如主程序所示，图像采集、处理、通信放在不同线程，利用多核 CPU。甚至可以进一步将处理流水线的不同阶段（如预处理、特征提取、分类）分配到不同线程，形成生产者-消费者模型。
• 内存复用：避免在循环中不断创建和销毁大数组（如图像）。预先分配好内存块，循环中使用np.copyto(dst, src)或直接修改原数组。
• 减少磁盘 I/O：调试阶段的图像保存、日志写入非常耗时的。正式运行时，除非是 NG 品或系统报警，否则不要保存图像。日志级别设置为 WARNING 或 ERROR，减少信息量。

5. 常见工业现场问题与排查实录

即使系统设计得再完美，现场也会出现各种意想不到的问题。下面是我踩过的一些坑和解决方法。

5.1 图像质量问题

5.2 通信与触发问题

问题：PLC 收不到检测结果，或结果错乱。

• 排查：
  1. Ping 测试：在工控机上pingPLC 的 IP 地址，检查网络物理连通性。
  2. 端口监听：在工控机上使用netstat -an | findstr :502命令，查看 502 端口是否已被你的 Modbus 服务器程序监听。
  3. 防火墙：关闭工控机 Windows 防火墙或添加入站规则允许 502 端口。
  4. 地址映射：确认 Modbus 寄存器地址映射关系。PLC 程序里读取的寄存器地址（如 40001）对应的是服务器上下文中的哪个偏移量（通常是 0）。一个常见的混淆是 Modbus 地址的“基地址”问题，有的库从 0 开始，有的从 1 开始，需要对齐。
  5. 数据类型：确认写入寄存器的数值是否在 0-65535（16位无符号整数）范围内。如果需要传递浮点数或字符串，需要拆分成多个寄存器并按约定好的格式解析。

问题：相机拍照时机不对，有时漏拍，有时连拍。

• 排查：
  1. 触发信号测量：用示波器测量连接到相机 Trigger 输入口的信号。确认是干净的 24V 脉冲，上升沿陡峭，脉宽合适（参考相机手册，通常 > 1μs），频率不超过相机最大帧率。
  2. 触发去抖：在相机配置中，开启Trigger Debouncer功能，并设置合适的去抖时间（如 10ms），可以滤除信号抖动造成的误触发。
  3. 触发延迟：产品经过传感器到进入相机视野中心，有时间差。在相机配置中设置Trigger Delay参数，让相机在收到信号后等待一段时间再曝光。
  4. 软件触发替代测试：暂时将相机触发模式改为软件触发，在程序中定时触发拍照。如果正常，则问题出在硬件触发信号上；如果不正常，则问题出在相机或软件配置上。

5.3 算法稳定性问题

问题：白天和晚上检测效果差异大。

• 原因：环境光（窗户自然光）变化影响了整体光照条件。
• 解决：
  1. 物理隔绝：为检测工位搭建暗箱，彻底隔绝环境光。这是最根本、最有效的方法。
  2. 算法补偿：如果无法做暗箱，则采用更鲁棒的算法。放弃对绝对灰度值敏感的阈值分割，改用对光照变化不敏感的梯度特征或纹理特征。或者，在每次检测前，先对一个已知的、固定的“参考白块”区域进行采样，计算当前光照下的灰度值，动态调整后续算法的阈值（即“白平衡”或“增益校准”）。

问题：产品颜色批次性差异导致误检。

• 原因：原材料或喷涂工艺波动导致产品颜色轻微变化。
• 解决：
  1. 颜色空间转换：将图像从 RGB 转换到 HSV 或 Lab 颜色空间。颜色信息主要存在于 H（色调）通道，而亮度变化主要体现在 V 或 L 通道。在 H 通道上进行处理，可以有效抵抗亮度变化的影响。
  2. 统计过程控制：收集多个批次 OK 品图像的特征值（如平均灰度、颜色直方图），计算其均值和标准差。在检测时，如果当前产品特征值落在历史统计的 ±3σ 范围内，则认为是正常波动，否则报警提示可能来料异常。这需要将视觉系统与 MES 系统联动。

搭建这样一套系统，最大的体会是“平衡”。你要在精度与速度、成本与性能、通用性与专用性之间反复权衡。没有一劳永逸的参数，只有最适合当前场景的方案。每次上线新项目，最花时间的往往不是写代码，而是和机械工程师、电气工程师一起，优化机械夹具、调整光源角度、梳理信号逻辑。视觉是系统工程，代码只是其中一环。最后一个小技巧：一定要在工控机上配置远程桌面，并做好系统镜像备份。这样当现场出现棘手问题时，你可以远程登录查看，如果系统崩溃也能快速恢复。