2. 工业质检基础

在智慧工厂的语境下，质检不是生产末端的一道“筛子”，而是贯穿来料、制程、成品与出货的质量数据闭环。理解质检的价值、缺陷分类、人工质检的瓶颈以及自动化质检的演进路径，是后续设计多相机视觉系统的前提。

一、质检在制造中的价值：从“挑废品”到“控过程”

质检的核心价值可以概括为四个层面：质量成本控制、过程稳定性、客户信任与数据资产。传统观念把质检视为成本中心，只统计不良率；现代制造则把质检看作过程控制的传感器网络。

• 质量成本：缺陷越晚被发现，返工、报废、停线、客诉的成本越高。业内常用“1:10:100”经验描述——来料阶段发现问题的处理成本若为1，制程阶段约为10，到客户现场可能达到100。
• 过程稳定性：质检数据能反向暴露设备漂移、夹具磨损、工艺参数偏移，推动从“事后拦截”转向“事前预防”。
• 客户信任：可追溯的检测记录与批次质量档案，是汽车、电子、医疗等行业准入的硬性要求。
• 数据资产：缺陷图像、位置、频次、时间戳构成质量大数据，可用于良率分析、工艺优化和AI模型迭代。

二、缺陷类型：按形态、成因与检测难度分类

工业缺陷种类繁多，但从视觉检测角度，可按几何形态和成因归纳为若干典型类别。不同缺陷对相机分辨率、光源角度、算法类型的要求差异很大。

从检测难度看，划痕、裂纹等弱对比缺陷最考验光学方案；漏装、错装等逻辑缺陷更依赖算法与先验知识；微小尺寸缺陷则对分辨率和标定精度提出硬性要求。

三、传统人工质检的痛点

人工质检在柔性生产和复杂判断上仍有优势，但在大批量、高节拍、高一致性要求的场景中，瓶颈非常明显：

1. 疲劳与一致性差：人眼在连续观察30分钟后，漏检率显著上升；不同班次、不同人员的判定标准难以统一。
2. 速度受限：单件检测时间通常在秒级，难以匹配高速产线；多工位需要大量人力。
3. 主观性强：划痕多深算不良、色差多大算超差，依赖经验，难以量化和追溯。
4. 数据难沉淀：纸质记录或简单电子表格难以形成结构化质量数据，无法支撑良率分析。
5. 成本与招工压力：质检岗位重复性高、流动性大，培训成本与用工成本持续上升。
6. 环境与安全：高温、粉尘、强光、辐射等场景不适合长期人工作业。

四、自动化质检的演进路径

自动化质检并非一蹴而就，而是沿着“机械化—数字化—智能化”逐步演进。理解这条路径，有助于判断当前产线处于哪个阶段，以及多相机系统应解决什么问题。

从图中可以看到，多相机质检并不是简单地把相机数量增加，而是成像维度、算法能力和数据闭环三者的协同升级。单相机方案在规则明确、缺陷对比度高时性价比最高；当缺陷形态复杂、视角遮挡严重、材质反光多变时，多相机多视角方案才真正体现价值。

五、案例与场景：一个连接器外观质检的对比

以某电子连接器外观质检为例，人工目检需要检查端子变形、塑胶毛刺、金属划痕、漏装卡扣等。人工方案每件约3秒，漏检率约2%～5%，且不同班次标准不一致。引入自动化后：

• 第一代单相机+背光方案，解决了端子间距和变形检测，但金属表面划痕因反光不稳定，漏检仍高。
• 第二代升级为三相机方案：顶部同轴光检测表面划痕，侧向低角度光检测毛刺，底部背光检测端子轮廓，配合深度学习分类，漏检率降至0.3%以下。
• 第三代将检测结果与MES关联，按批次统计缺陷分布，反向发现某台注塑机温度漂移，实现过程预警。

六、常见误区与复盘

1. 误区一：追求100%检出率。任何检测系统都有漏检与过杀的平衡，关键是定义可接受的漏检率与过杀率，并用数据持续优化。
2. 误区二：先买相机再想算法。成像方案决定算法上限，光源和视角设计应在相机选型前完成。
3. 误区三：忽视样本多样性。训练集若只覆盖良品和少数缺陷，现场遇到新缺陷类型时模型会失效，需建立缺陷样本回流机制。
4. 误区四：检测与工艺脱节。质检数据不回流工艺，就只是“挑废品”，无法实现质量闭环。

复盘来看，自动化质检的成功要素是：清晰的缺陷定义、稳定的成像方案、可迭代的算法、可追溯的数据链路。这四点也构成了后续多相机质检系统设计的四条主线。