不是装上相机就叫CV——硬件选型的血泪教训
很多人觉得，买个工业相机、架个光源，再跑个开源模型，就是计算机视觉了。天真！我见过最离谱的项目：摄像头对着高反光金属零件拍，图像一片白，算法直接抓瞎。那是光源没选对——应该用穹顶光源或者偏振片，可是项目组没人懂光学。 硬件是CV的物理根基。镜头焦距算错一毫米，图像边缘畸变就能让尺寸测量全崩。去年有个精密电子件厂家，产线速度飙到每秒5个，他们却选了帧率只有15fps的相机，结果采集的图像全是拖影，算法根本没法分割轮廓。
算法不灵？可能是你数据喂错了
深度学习大火之后，大家以为扔几千张图进去就能训练出缺陷检测模型。可工业界的缺陷样本少得可怜——一条稳定产线，几个月才出几个废品，怎么拿得到海量缺陷图？ 问：“小批量、多品种的生产模式，怎么玩转缺陷检测？” 答：这是经典难题。我们试过用迁移学习，先在公开数据集上预训练，再用几十张缺陷图微调。但真正救命的，是数据增强结合传统图像处理：对正常样本做随机擦伤、污渍模拟，生成大量“假缺陷”。不过得小心，模拟得太假反而会让模型学歪。有一次我加了高斯噪声模拟灰尘，结果模型把所有带灰的背景全判为NG，产线直接瘫痪了😅 标注也是个巨坑。给金属表面划痕打标，不同质检员标准不一——有人说超过2cm才算缺陷，有人觉得1cm就算。标注不一致，模型就会精神分裂。后来我们强制用了缺陷等级划分标准图，所有人照着比对。
部署上线后的持续阵痛
别只盯着2D！3D视觉正在悄悄破局
平面图像搞不定的，就该让3D视觉上场了。比如装配间隙、螺丝浮高、焊点隆起——这些需要高度信息的检测，用2D就是耍流氓。 去年帮一个新能源电池厂做了个点云处理方案：激光轮廓仪扫描电芯极耳，生成点云，再计算平整度和焊点体积。精度达到±0.05mm，比老师傅用塞尺快十倍。但开发过程一言难尽：点云去噪、配准、分割，每一步都有坑。尤其钣金件反光，点云会出空洞，需要补全算法。
免责声明：文章内容来自互联网，本站仅作为分享，不对其真实性负责，如有侵权等情况，请与本站联系删除。
转载请注明出处：计算机视觉（CV）落地工厂：从“看起来很美”到真正的降本增效 https://www.dachanpin.com/a/tg/56787.html
