AI VISION SYSTEM

AI 视觉检测

从看清产品,
到完成产线检测。

把工业相机、光学照明、运动控制、检测软件与产线机构组合起来,提供从方案设计、设备制造到现场集成的成套交付。

沟通检测需求
相机、照明、检测软件与输送线协同工作的概念场景
AI 生成 · 应用场景示意

检测能力,来自整套系统的配合

根据产品材质、缺陷特征和产线节拍,协同设计光学、机构、算法与现场控制。

01

光学成像

让目标特征稳定呈现,匹配检测对象的表面、形态与安装条件。

  • 工业相机
  • 镜头与光源
  • 防护结构
02

检测设备

围绕工件运动与检测位置设计设备,连接检测和后续动作。

  • 机架与输送
  • 定位机构
  • 剔除与分选
03

算法软件

将图像转成可判定、可查询的结果,与现场业务数据关联。

  • 缺陷与 OCR
  • 定位与追溯
  • 检测记录
04

现场交付

从样品验证到产线联调,配套操作培训和后续维护。

  • 样品测试
  • 系统联调
  • 培训维护

从检测对象和判定要求开始

不同任务需要不同的成像与判断方式。选择场景,查看检测关注点和结果如何使用。

浅灰背景上的银色金属样件,中心偏右可见一条细划痕
AI 生成样件 · 用于说明检测对象,未进行算法检测
金属表面 · 外观关注点

图中划痕用于说明关注对象,不代表已完成缺陷识别或质量判定。

先看清缺陷,再约定判定边界

以金属表面的划伤为例,先确认哪些痕迹影响质量,再结合成像条件和边界样品设计检测方案。

01判定前,先准备什么

样品
正常、缺陷与边界样品,覆盖表面差异
成像
表面反光、照明角度与工件姿态
判定
缺陷类别、可接受范围与人工复核要求

02结果怎样进入业务

  • 缺陷图像与对应产品记录
  • 分类提示供质量岗位复核
  • 按项目约定关联处置结果

把视觉能力放回实际业务中

从识别内容到检测结果的使用,围绕具体产品和生产环节组织方案。

查看全部案例

先用样品验证,再进入产线联调

把检测要求转成可核对的测试与验收条件,让光学、软件和设备协同落地。

  1. 01

    明确检测要求

    确认合格与缺陷样品、判定规则、节拍和安装环境。

  2. 02

    打样验证

    测试成像条件与检测方法,记录样本覆盖与识别结果。

  3. 03

    设备与软件集成

    完成机构、控制与软件配置,对接产线信号和数据接口。

  4. 04

    现场验收与培训

    按约定样本和现场条件核验检测、联动、记录与操作流程。

共同确认验收依据

检测对象与样本覆盖、误检漏检口径、产线节拍、剔除或报警逻辑、数据留存和复核方式。检测指标以打样结果与约定验收条件为依据。

进一步了解

先确认怎样看清,再确认怎样判定和处置

先约定检测对象、边界样品与结果用途,再分别确认成像、精度和现场联动条件。

讨论外观或OCR检测时,需要提供哪些样品?

应准备正常、缺陷和边界样品,说明需要读取的字符或关注的缺陷,以及可接受范围。还要核对材质反光、字符尺寸、姿态、采集位置和产线节拍。样品测试用于验证成像与方法,现场再检查触发、报警或剔除和记录关联;不能仅凭一张示意图确定检测指标。

定位、装配防错和缺陷检测能用同一套验收要求吗?

不同任务需要分别明确依据。定位涉及特征、坐标基准、标定和精度验证;装配防错要核对零件清单、方向、版本及可见性;缺陷或OCR则需确认样本覆盖与误检漏检口径。各项结果怎样复核、留存和参与产线动作,也应在打样与现场验收中逐项确认。

从一件样品,确定检测方案

带上检测对象、典型缺陷、产线节拍和现场条件,一起确认打样与实施范围。