工业视觉基础：产线视觉系统组成、模型推理流程、常见缺陷检测与定位任务概述

在深入讨论模型灰度发布与版本管理之前，必须先建立对工业视觉系统本身的完整认知。工业视觉不是“一个摄像头加一台电脑”那么简单，而是一个涉及光学、机械、电气、算法与数据管理的复杂系统工程。本章将拆解产线视觉系统的物理组成、数据与推理链路，并梳理缺陷检测与定位任务的核心逻辑，为后续理解“为什么模型版本需要精细化管理”奠定基础。

产线视觉系统的完整组成

一个典型的工业视觉检测工位，从物理架构上可以划分为五个核心子系统：图像采集子系统、光学照明子系统、触发与同步子系统、图像处理与推理子系统以及执行与反馈子系统。这五个子系统并非孤立存在，而是通过信号流、数据流和控制流紧密耦合。

图像采集子系统的核心是工业相机。根据产线节拍和检测精度的不同，可选择面阵相机（适合静态或低速场景）、线阵相机（适合高速连续运动物体，如薄膜、钢板）或3D相机（适合高度、体积、共面度测量）。相机接口决定了数据传输带宽和稳定性：GigE Vision适合中短距离传输，CameraLink和CoaXPress则用于高分辨率、高帧率的场景。选型时需综合考虑分辨率、帧率、像元尺寸、芯片类型（CCD/CMOS）以及是否支持外部硬触发。

光学照明子系统往往决定了一个视觉项目能否成功。工业现场常用的光源包括环形光（突出边缘和轮廓）、同轴光（检测高反光表面）、条形光（检测划痕和凹坑）、背光源（测量外形尺寸）以及结构光（3D重建）。光源控制器需要支持频闪模式，以配合相机的曝光时序，避免环境光干扰。照明方案的设计必须考虑被测物体的材质、颜色、表面粗糙度和产线环境光条件。

触发与同步子系统是保证图像清晰、位置准确的关键。通常由光电传感器或编码器产生触发信号，经过PLC或专用触发模块处理后，发送给相机和光源控制器。对于运动中的物体，还需要考虑编码器脉冲与相机行频的同步，避免图像拉伸或压缩。这一子系统的稳定性直接决定了后续算法处理的输入质量。

图像处理与推理子系统是算法工程师的主战场。它可以是工控机（配备GPU加速卡）、智能相机（内置嵌入式GPU）或边缘计算盒子。该子系统运行着图像预处理、传统视觉算法、深度学习模型推理以及后处理逻辑。其性能指标（如单张推理耗时、内存占用、GPU利用率）直接决定了产线节拍能否达标。

执行与反馈子系统将视觉判定结果转化为物理动作。常见的执行机构包括气动剔除阀、机械臂抓取、报警灯和蜂鸣器。同时，检测数据需要实时上传至MES系统或数据库，用于质量追溯和SPC统计分析。反馈回路还包括将检测结果用于参数自适应调整，例如根据缺陷趋势自动调节光源亮度或相机曝光时间。

模型推理流程：从图像到判定结果

理解模型推理流程是进行版本管理的前提。一个完整的推理流程可以拆解为以下六个步骤：

1. 图像采集与解码：相机输出原始图像数据（如Bayer格式），经过解码和格式转换，生成算法可处理的RGB或灰度图像。此步骤需确保图像无丢帧、无损坏。
2. 预处理：包括ROI裁剪（只保留感兴趣区域）、尺寸缩放（resize到模型输入尺寸）、归一化（将像素值映射到0-1或-1到1）、以及可选的图像增强（如直方图均衡化、对比度调整）。预处理参数必须与训练时保持一致，否则会导致推理精度下降。
3. 模型推理：将预处理后的张量输入到深度学习模型（如CNN、ResNet、YOLO、U-Net等），得到原始输出张量。对于分类任务，输出为各类别的概率分布；对于检测任务，输出为边界框坐标、类别和置信度；对于分割任务，输出为像素级类别概率图。
4. 后处理：将模型原始输出转换为业务可用的结果。包括：阈值过滤（置信度低于阈值的检测框被丢弃）、NMS（非极大值抑制，去除重叠框）、坐标映射（将模型输出坐标映射回原始图像坐标）、以及缺陷尺寸/面积的物理单位换算。
5. 业务规则判定：结合产线工艺要求，对后处理结果进行最终判定。例如，即使模型检测到某个微小划痕，但如果其长度小于工艺允许的阈值，则仍判定为OK。此步骤通常由工程师编写的规则引擎完成，与模型本身解耦。
6. 结果输出与记录：将判定结果（OK/NG、缺陷类型、缺陷坐标、缺陷图像）发送给PLC执行剔除动作，同时写入数据库用于追溯和分析。

常见缺陷检测与定位任务概述

工业视觉中的缺陷检测任务可以归纳为三大类：分类、检测和分割。每类任务对应不同的模型架构和输出形式，也对应不同的版本管理策略。

分类任务是最简单的形式，只判断“有缺陷”或“无缺陷”，或者判断缺陷属于哪一类别（如划痕、脏污、气泡、缺料）。典型模型为ResNet、EfficientNet等分类网络。分类任务适合缺陷区域较小、不需要精确定位的场景。其版本管理相对简单，主要关注准确率、召回率和误检率三个指标。

检测任务不仅需要判断有无缺陷，还要输出缺陷的位置（边界框）和类别。典型模型为YOLO系列、Faster R-CNN等。检测任务适合需要定位缺陷以便后续修复或统计的场景。版本管理需要关注mAP（平均精度均值）、IoU（交并比）以及不同缺陷类别各自的精度和召回率。

分割任务在像素级别对缺陷区域进行标注，输出精确的缺陷轮廓。典型模型为U-Net、DeepLab等。分割任务适合缺陷形状不规则、需要精确测量面积或周长的场景。版本管理需要关注mIoU（平均交并比）和像素准确率。

除了缺陷检测，定位任务也是工业视觉的重要组成部分。定位通常指确定被测物体在图像中的位置和姿态，为后续的测量、装配或机器人抓取提供坐标基准。定位任务常用模板匹配、特征点匹配或基于深度学习的语义关键点检测。定位精度通常以像素误差或物理尺寸误差来衡量。

案例拆解：新能源电池极片涂布缺陷检测项目

下面通过一个实际案例，展示视觉系统组成、推理流程和缺陷任务如何协同工作，以及版本管理在其中扮演的角色。

项目背景与约束：某锂电池生产企业的涂布工序需要检测极片表面的缺陷，包括漏涂、划痕、颗粒、气泡等。产线速度达到30米/分钟，极片宽度为300mm。检测精度要求：最小缺陷尺寸为0.3mm×0.3mm。产线环境存在振动和粉尘，且光源会随着使用时间衰减。

系统组成：

• 相机：2台8K线阵相机，配合2个高亮LED条形光源，采用背光+明场组合照明。
• 触发：编码器安装在牵引辊上，每产生一个脉冲触发相机行扫描，确保图像在运动方向上无拉伸。
• 处理：工控机配备NVIDIA RTX 3060 GPU，运行TensorRT加速的YOLOv5s检测模型。
• 执行：检测到NG时，PLC控制气动剔除阀将缺陷段极片标记并分流。

初始现象与目标：项目上线初期，模型在测试集上的mAP达到0.95，但实际产线运行一周后，漏检率从0.5%上升至2.3%，误检率从1.0%上升至3.5%。目标是将漏检率控制在0.8%以内，误检率控制在1.5%以内。

分析判断过程：工程师首先检查了模型推理日志，发现GPU利用率正常，推理耗时稳定在45ms/行。随后对比了产线实时图像与训练集图像的差异，发现图像整体亮度下降了约15%，对比度也有所降低。进一步检查光源控制器，发现LED光源的光衰导致照度下降。同时，由于极片批次更换，新批次极片的底色与训练集存在轻微色差。

实际操作步骤：

1. 临时调整光源控制器输出电流，将照度恢复到初始水平，漏检率立即回落至1.2%。
2. 采集新批次极片图像2000张，标注后作为增量数据加入训练集。
3. 使用灰度发布策略，将新模型（v2.0）部署到一条备用产线进行A/B测试，与旧模型（v1.3）并行运行48小时。
4. 对比两个模型的漏检率和误检率，确认v2.0在保持漏检率不升的前提下，误检率降至1.2%。
5. 将v2.0正式发布到全部产线，同时更新光源校准周期为每两周一次。

结果对比与复盘：v2.0模型上线后，漏检率稳定在0.6%，误检率稳定在1.1%。但工程师发现，v2.0对“颗粒”类缺陷的召回率提升了，但对“气泡”类缺陷的召回率略有下降。复盘认为，这是因为增量数据中颗粒样本较多，导致模型对颗粒的权重偏向。后续计划在下一版本中引入类别平衡采样策略。

常见误区与总结复盘

在工业视觉系统的建设和运维中，以下误区需要特别警惕：

• 误区一：重算法轻硬件。很多团队把精力集中在模型调优上，却忽视了光源衰减、镜头污染、相机增益漂移等硬件问题。实际上，硬件状态变化是导致模型性能下降的首要原因。
• 误区二：模型版本与代码版本脱节。只保存了模型权重文件，却没有保存对应的预处理代码、后处理参数和推理框架版本。当需要回滚时，发现旧模型无法在当前框架下运行。
• 误区三：忽略数据分布漂移。产线更换了原材料批次、工艺参数调整或环境温湿度变化，都可能导致图像分布与训练集不一致。模型需要定期用新数据进行验证和微调。
• 误区四：灰度发布只关注模型指标。灰度发布不仅要看模型本身的精度和召回率，还要关注对下游工序的影响，例如剔除动作是否准确、误检是否导致合格品被浪费、漏检是否导致缺陷品流入下一环节。

总结：工业视觉系统是一个软硬件深度耦合的工程系统。模型推理流程中的每一个环节——从图像采集到业务判定——都可能成为性能瓶颈。缺陷检测与定位任务的选择取决于具体的工艺需求和精度要求。而模型灰度发布与版本管理，本质上是对整个视觉系统状态的管理，而不仅仅是对模型文件的管理。只有将硬件参数、预处理逻辑、后处理规则和模型权重作为一个整体进行版本控制，才能确保产线视觉系统的长期稳定运行。