2、工业视觉AI基础：机器视觉、深度学习、传统算法与AI视觉的差异及适用场景

在工业自动化产线中，视觉系统承担着“眼睛”与“大脑”的双重角色。当我们讨论“工业视觉AI”时，往往容易将机器视觉、传统图像处理算法、深度学习算法混为一谈。实际上，这三者在技术原理、硬件依赖、部署方式与适用场景上存在显著差异。理解这些差异，是后续设计缺陷检测逻辑、规划PLC联动信号、优化节拍控制的前提。本章将从定义边界、技术对比、选型判断与实战案例四个维度，帮助您建立清晰的工业视觉技术坐标系。

2.1 核心概念与原理边界

机器视觉（Machine Vision）是一个广义工程概念，指通过光学成像、图像采集、信号处理与计算机算法，模拟人眼对目标物体进行测量、判断与控制的综合系统。它包含硬件（相机、镜头、光源、采集卡）与软件（算法库、通信模块）两大部分。而传统图像处理算法是机器视觉中基于明确数学规则的方法集合，例如Canny边缘检测、Otsu阈值分割、霍夫变换、模板匹配等。这些算法要求工程师预先定义“什么是缺陷”——例如设定灰度阈值范围、边缘梯度方向或几何尺寸公差。

深度学习AI视觉则基于卷积神经网络（CNN），通过大量标注样本自动学习特征。它不需要人工设计特征提取器，而是让网络在训练过程中自行发现“划痕”“脏污”“毛刺”等缺陷的隐含模式。在工业场景中，常用的网络结构包括用于分类的ResNet、用于目标检测的YOLO系列、用于像素级分割的U-Net等。深度学习模型的核心优势在于对复杂纹理、低对比度、形变缺陷的鲁棒性，但其推理过程是“黑盒”，且对训练数据分布高度敏感。

工业视觉AI并非简单的“深度学习替代传统算法”，而是将两者结合：传统算法负责高速、确定性的预处理（如定位、校正、区域提取），AI模型负责需要语义理解的复杂判定。这种混合架构既能满足产线节拍，又能提升检测精度。

2.2 技术对比与选型判断方法

为了在项目中快速决策，我们可从六个维度进行对比：检测对象复杂度、环境鲁棒性、开发周期、硬件成本、推理速度、可解释性。下表总结了典型差异：

对比维度	传统机器视觉	深度学习AI视觉	工业视觉AI（融合）
特征定义	人工设计（边缘/灰度/几何）	自动学习（隐层特征）	规则+学习混合
缺陷类型	规则明确、对比度高	纹理复杂、形态多变	先粗筛后精判
光照敏感度	高，需严格控光	中，需数据增强	低，预处理补偿
推理速度	微秒~毫秒级	毫秒~百毫秒级（GPU）	可控制在毫秒级
开发成本	算法工程师+调试时间	标注+训练+算力	两者兼顾
可解释性	完全可解释	黑盒，需置信度阈值	关键环节可解释

选型判断流程：第一步，明确缺陷的物理特性——如果缺陷表现为固定的几何尺寸偏差（如螺丝长度、孔径大小），优先使用传统算法；如果缺陷表现为随机纹理、划痕深浅不一、背景复杂，则考虑深度学习。第二步，评估产线节拍——若单件检测时间小于50ms，传统算法或轻量级AI模型（如MobileNet）更合适；若允许200ms以上，可使用高精度检测模型。第三步，核算硬件成本——传统方案仅需工业相机+工控机，AI方案需额外配置GPU或NPU模块。第四步，考虑维护性——传统算法参数调整直观，AI模型需重新训练并验证。

2.3 案例拆解：新能源电池极片缺陷检测

某锂电池极片涂布产线，生产速度120片/分钟，即单件节拍500ms。初始方案采用纯传统视觉算法，检测涂布表面的漏金属、划痕、颗粒等缺陷。实际运行中发现：漏金属区域灰度对比明显，传统算法检出率99.2%；但划痕缺陷由于与背景纹理相似，误检率高达15%，导致大量良品被误判为NG，产线频繁停机。

关键数据：漏金属缺陷面积>1mm²，灰度差>30；划痕宽度0.1-0.3mm，灰度差仅8-12，且方向随机。传统算法使用固定阈值分割，无法适应不同批次涂布厚度的灰度波动。

分析判断：划痕属于低对比度、方向随机的纹理异常，适合用深度学习模型。但若直接替换整个视觉系统，需重新标注5000张以上图像，且GPU推理时间约80ms，加上通信与剔除动作，总耗时可能超过600ms，无法满足节拍。

实际操作步骤：

1. 保留原有传统算法模块，用于检测漏金属、颗粒等明显缺陷，输出快速OK/NG信号。
2. 增加一个轻量级YOLOv5s模型，输入图像尺寸640x640，仅负责划痕检测。通过TensorRT加速，推理时间压缩至35ms。
3. 在PLC程序中设置“双通道判定”逻辑：若传统算法判定NG，直接触发剔除；若传统算法OK，则等待AI模型结果。AI模型输出NG时，同样触发剔除信号。
4. 将AI模型部署在独立GPU工控机，通过以太网与PLC通信，采用Profinet协议，数据包包含“OK/NG”与缺陷坐标。

结果对比：划痕误检率从15%降至0.8%，漏检率从3%降至0.2%。整体节拍增加40ms，仍满足500ms要求。但代价是增加了GPU硬件成本约8000元，且需要每季度更新模型以适配新批次材料。

复盘经验：纯AI方案并非万能，传统算法在高速、简单场景中依然不可替代。融合方案的关键在于“分工”——让传统算法处理确定性任务，AI处理模糊任务。同时，PLC程序必须设计超时保护，若AI模型推理超时（如GPU过热降频），应自动切换为传统算法结果，避免产线停滞。

2.4 常见误区与总结复盘

误区一：认为AI视觉一定优于传统算法。实际上，对于高反光金属表面的尺寸测量，传统算法基于亚像素边缘提取的精度可达±0.01mm，而深度学习难以达到同等精度。误区二：忽视光源与成像系统的重要性。无论算法多先进，如果图像采集质量差（过曝、暗角、运动模糊），AI模型同样失效。误区三：将AI模型直接部署在PLC内置处理器上。多数PLC的CPU性能有限，无法运行复杂神经网络，必须外置智能相机或独立算力单元。

总结复盘：工业视觉AI的本质是“正确的工具用在正确的环节”。在规划视觉系统时，应首先绘制“缺陷-特征-算法”映射表，明确哪些缺陷用传统方法、哪些用AI、哪些需要融合。同时，节拍控制必须考虑算法耗时、通信周期、执行器响应时间三者的叠加。最后，建立模型版本管理机制，每次更新AI模型后，需在产线上进行至少1000件样本的A/B测试，确认误检率与漏检率均达标后再切换。