1. 课程导入与CV-X系统认知

在工业视觉检测领域，传统规则式视觉系统长期依赖人工设定阈值、边缘、模板与判定逻辑。当被测对象出现材质变化、反光差异、字符磨损、装配位置轻微偏移时，规则式系统往往需要反复调参，甚至无法稳定区分“合格”与“不合格”。KEYENCE CV-X系列深度学习视觉检测系统正是面向这类复杂、多变、难以用固定规则描述的检测任务而设计的。它把深度学习模型嵌入到工业现场可操作的控制器中，让使用者通过样本采集、标注、训练与阈值设定，完成从“人眼判断”到“设备自动判断”的迁移。

CV-X系列的核心定位可以概括为：面向产线现场的深度学习视觉检测平台。它并不是单纯的一套软件，而是由相机、控制器、光源、镜头、显示与I/O接口组成的完整系统。其典型能力包括外观缺陷检测、字符与二维码识别、装配有无判断、方向与位置识别、异物混入检测等。与传统视觉相比，CV-X的优势在于：对复杂背景、低对比度、非规则缺陷具有更强的适应能力；对同一产品多型号混线生产，可通过切换程序快速响应；对操作者而言，不需要编写算法代码，而是通过“采集良品/不良品样本—训练—设定判定阈值—验证”的流程完成部署。

为了更直观地理解CV-X系统在产线中的位置与信息流，下面用一张系统架构与数据流图展示从被测物到判定输出的完整链路。图中同时标出了关键操作节点与典型参数，便于后续章节对照学习。

上图展示了CV-X系统的基本架构：被测物在光源配合下由相机成像，图像送入控制器，控制器内部运行深度学习模型完成推理，推理得分再经过阈值判定，最终输出OK/NG信号。图中同时标注了样本管理、模型训练、阈值设定与验证维护等关键环节，这些环节将在后续章节逐一展开。

理解CV-X系统，还需要明确它与传统视觉检测的差异。传统视觉通常依赖“找边—测量—比较”的确定性逻辑，适合尺寸测量、定位、有无判断等规则明确的任务。而深度学习视觉检测则通过大量样本让模型学习“良品长什么样、不良品长什么样”，适合缺陷形态不规则、背景复杂、对比度低、难以用固定阈值描述的场景。例如，金属表面细微划痕、注塑件色差、字符磨损、异物混入等，传统视觉往往难以稳定判定，而CV-X可以通过样本训练获得较好的区分能力。

在实际产线中，CV-X的典型应用场景包括：

• 外观缺陷检测：划痕、脏污、气泡、缺料、毛刺等，适用于冲压件、注塑件、电子元器件。
• 字符与二维码识别：OCR、DPM码、激光刻印字符，即使存在磨损或低对比度也可识别。
• 装配有无与方向判断：螺丝是否锁付、连接器是否插到位、标签是否贴反。
• 异物混入检测：食品、药品、包装内混入异物，通过异常检测模式识别。
• 多型号混线生产：通过程序切换，同一台控制器可对应多种产品，减少换线时间。

对于初学者，建议按以下路径建立能力：第一步，理解系统组成与信号流，知道相机、光源、控制器、PLC各自承担什么角色；第二步，学会采集高质量样本，包括曝光调整、对焦、触发设置、样本分类；第三步，掌握训练与阈值设定，理解“过检”与“漏检”的权衡；第四步，完成现场验证与维护，确保模型在批次变化、环境变化下仍能稳定工作。这条路径不是线性的，实际项目中往往需要反复迭代，但每个环节都有明确的操作对象和判断依据。