视觉识别技术在工业自动化中的五类典型应用

机器视觉在工业自动化中的角色，可以从"替代人眼的哪部分能力"来划分。
按成熟度与应用广度，大致有五类。

一、定位与引导

最成熟的一类。视觉给出工件的坐标与角度，引导机械臂或运动机构抓取、装配、打标。

技术门槛相对低，但对**标定精度**要求高：
相机标定必须在设备热稳定后进行，否则温漂会让定位偏移。
多品种混线时还要先识别型号再调用对应模板。

二、尺寸测量

用视觉替代卡尺与投影仪，做在线尺寸测量。

难点在精度与重复性：需要足够的分辨率、稳定的打光，
以及对照明变化不敏感的边缘提取算法。
亚像素级测量还需要考虑镜头畸变校正。

三、缺陷检测

应用最广、也最容易低估难度的一类。
缺陷形态多样（划痕、脏污、缺料、变形），
且与背景的对比度往往很低。

成败关键在打光：暗场光突出立体缺陷，同轴光/背光用于轮廓与异物，
偏振片抑制反光。打光方案定下来，算法常常可以大幅简化。

四、识别与分拣

读取字符、条码、二维码，或按颜色/形状分类。

结构化识别（条码/二维码）已经很成熟；
非结构化识别（手写字符、磨损条码）仍然需要容错设计，
通常要结合多帧读取与人工复核流程。

五、行为与状态监控

较新的一类：用视觉判断设备状态、人员行为、安全区域侵入。

技术上更接近视频分析而非静态检测，
需要考虑时序建模与误报控制。安全相关应用必须做冗余设计，
不能只依赖单一视觉判据。

六、共同的技术底座

五类应用共享同一套底座：

稳定的相机触发与时间同步；
与 PLC / 运动控制的标准对接；
光照变化的抑制或补偿；
结果留存与追溯。

把底座做扎实，从一类应用迁移到另一类的成本会显著下降。
这也是我们同时投入算法与硬件的原因 —— 很多现场问题出在触发与同步，
而不是算法精度。