1. 课程导入与SICK视觉技术概览

SICK 在工业自动化领域的产品体系非常庞大,从安全光幕、激光雷达、光电开关到视觉传感器与视觉系统,几乎覆盖了工厂现场所有常见的感知需求。本课程聚焦其中的视觉方向,目标不是把 SICK 所有视觉产品逐一罗列,而是帮助学习者建立一条清晰的技术主线:什么场景用视觉传感器,什么场景必须上视觉系统,两者如何与 PLC、机器人、上位机组成可落地的集成方案。

一、SICK 视觉产品线的定位

SICK 的视觉产品大致可以按“智能程度”和“可编程程度”分成三个层次。第一层是视觉传感器,典型代表是 Inspector 系列。这类设备把图像采集、图像处理、判断输出集成在一个紧凑的机身里,通过 SICK 的 SOPAS 或 Inspector 配置软件进行图形化设置,不需要写代码。它输出的是开关量、数字量或简单的测量结果,例如“有无”“合格/不合格”“位置偏移量”。第二层是可编程视觉系统,典型代表是 Visionary-T、Inspector P 系列以及基于 SICK AppSpace 的平台化产品。它们具备更强的算力、更高的分辨率,支持用户通过 AppSpace 或 SDK 开发自定义算法,可以输出坐标、角度、字符识别结果、点云数据等结构化信息。第三层是3D 视觉与激光轮廓测量,例如 Ranger 系列、Lector 系列,用于高度、体积、轮廓、条码/字符识别等更复杂的任务。

理解这条产品线的关键,不是记住型号,而是理解一个判断逻辑:任务是否固定、结果是否简单、是否需要与上位机交换结构化数据。如果任务固定、结果简单,视觉传感器往往是最经济、最稳定的选择;如果任务需要灵活调整、结果需要参与更复杂的逻辑运算,视觉系统或 3D 相机才值得投入。

二、视觉传感器与视觉系统的本质区别

很多初学者会把“视觉传感器”和“视觉系统”混为一谈,实际上两者在工程上的差异非常具体。视觉传感器更像一个“智能开关”:它在设备内部完成图像采集和判断,只把结论输出给外部。例如 Inspector 检测一个瓶盖是否歪斜,它内部比较的是图像特征与预设模板的匹配度,输出一个 PNP/NPN 信号给 PLC。PLC 不需要知道图像长什么样,只需要知道“合格”还是“不合格”。

视觉系统则更像一台“工业计算机”:它采集图像后,把图像或处理结果交给更上层的软件或控制器。例如 Visionary-T 输出深度图和点云,机器人控制器需要根据这些数据计算抓取位姿;或者 Inspector P 通过 AppSpace 运行自定义算法,把检测到的缺陷坐标通过 TCP/IP 发送给 MES 系统。此时,视觉系统承担的是“感知+计算+通信”的角色,PLC 或上位机承担的是“决策+执行”的角色。

这个区别直接决定了集成方式。视觉传感器通常只需要一根电源线、一根 I/O 线,接线简单,调试周期短;视觉系统往往需要以太网、触发信号、编码器信号,甚至需要配置 IP 地址、端口号、数据格式,调试周期更长,但能解决更复杂的问题。

SICK 视觉产品线定位与集成关系 视觉传感器 Inspector 系列 图像采集 + 处理 + 判断 图形化配置,无需编程 输出:开关量 / 简单测量值 典型任务:有无、合格/不合格 接线:电源 + I/O 可编程视觉系统 Visionary-T / Inspector P / AppSpace 图像采集 + 可编程算法 支持 SDK / AppSpace 开发 输出:坐标 / 角度 / 字符 / 点云 典型任务:定位、识别、测量 通信:以太网 / TCP/IP 3D 视觉与轮廓测量 Ranger / Lector 系列 激光三角测量 / 飞行时间 输出:高度 / 体积 / 轮廓 / 条码 典型任务:体积测量、3D 定位 通信:以太网 / 数字 I/O 需标定:相机-激光-机器人 集成层:PLC / 机器人控制器 / 上位机 / MES 视觉传感器 → 数字 I/O → PLC 逻辑判断 视觉系统 → 以太网 → 机器人 / 上位机 / 数据库 选型判断逻辑 任务固定 + 结果简单 → 视觉传感器;任务灵活 + 需结构化数据 → 视觉系统 需要高度/体积/3D 位姿 → 3D 视觉或激光轮廓测量

三、典型工业应用场景

在汽车零部件装配线上,视觉传感器常用于检测螺栓是否漏装、卡扣是否到位、标签是否贴正。这类工位的节拍通常在 1~3 秒,检测内容固定,Inspector 系列可以在不增加工控机的情况下独立完成。在 3C 电子行业,视觉系统更多用于连接器针脚共面度检测、屏幕缺陷检测、二维码读取与追溯,因为这些任务需要高分辨率图像和复杂的图像处理算法,且检测结果需要上传到 MES 系统。在物流仓储场景,3D 视觉用于包裹体积测量和拆码垛引导,Ranger 系列通过激光轮廓扫描获取包裹的三维尺寸,再通过以太网把体积和坐标发送给分拣系统。

这些场景的共同点是:视觉不是孤立存在的,它必须与执行机构、控制系统、信息系统形成闭环。因此,本课程不会只讲“怎么调相机”,而是把重点放在“怎么让视觉设备在系统中稳定工作”。

四、课程学习路径与实验平台

本课程按“认知—配置—集成—排障”四个阶段展开。前几章建立产品线认知和选型逻辑;中间章节进入具体配置,包括 Inspector 的 SOPAS 配置、Visionary-T 的 AppSpace 工程创建、触发与通信参数设置;后续章节围绕 PLC 与视觉的 I/O 交互、机器人视觉引导的坐标变换、以太网通信的数据格式展开;最后通过典型故障案例,训练从现象到根因的排查能力。

实验平台建议采用以下配置:一台 Inspector P 系列视觉传感器(或 Inspector 普通系列),一台支持以太网通信的 PLC(如西门子 S7-1200),一台安装 SOPAS 和 AppSpace 的 Windows 工控机,以及一个可调速的传送带模拟工位。传送带上放置不同颜色、不同位置的工件,用于模拟有无检测、位置偏移检测和简单字符识别。实验时,先用 SOPAS 连接 Inspector,设置触发模式为外部触发,配置一个“模板匹配”检测任务,把合格阈值设为 70%,然后把“合格”输出映射到 PLC 的 I0.0,“不合格”映射到 I0.1。PLC 程序中用这两个输入控制气缸分拣。这个看似简单的实验,实际上覆盖了视觉配置、I/O 接线、PLC 逻辑和结果验证的完整链路,是后续复杂集成的基础。

学习建议:每学完一个配置步骤,不要只停留在软件界面里“点完成”,而是回到实验台上,用实际工件验证输出信号是否与预期一致。视觉系统的很多问题不是算法问题,而是触发时序、通信配置或坐标系定义不一致造成的。尽早建立“配置—验证—排障”的闭环习惯,比记住某个参数更有价值。

需要特别说明的是,本课程中出现的所有参数值、阈值、IP 地址、端口号、工件尺寸等,除非明确标注为实测,否则均为教学示例或合理假设,用于说明配置方法和判断逻辑,不代表任何实际项目的最终参数。实际工程中必须根据现场光照、工件材质、节拍要求和通信协议进行重新标定和验证。