AI 视觉检测设备的选型，关键不是比参数表，而是按「最小缺陷尺寸 → 所需像素分辨率 → 视野与工作距离 → 镜头与光源 → 算法与通信」的顺序逐项反推：先量出必须检出的最小缺陷有多大，再据此算出需要的像素当量，最后才谈相机与镜头型号。像素数只决定图像上有多少个点，这些点能不能反映真实差异，取决于镜头、光源、工件、安装距离、机械稳定性与算法在现场的共同表现。
先明确一件事
像素数不等于检测精度
选型最容易被误导的一点是把「像素数」当成「检测能力」。设备是 500 万像素，并不意味着它就能测出 0.01mm 的误差——像素数只决定图像上有多少个点，而这些点能不能反映真实差异，取决于镜头、光源、工件、安装距离、机械稳定性、算法与现场环境的共同作用。
所以这份指南不提供「按参数表挑设备」的捷径，而是把选型时需要逐项确认的问题摊开：每一个问题都对应一个现场必须落实的条件，缺一项，检测效果就可能达不到预期。
选型维度
逐项确认，缺一项都可能达不到预期
下面这些维度需要在实际选型中逐项明确。它们的顺序也反映了确认的先后关系：先确定要检什么、多小，再反推光学与安装条件。
检测对象尺寸
工件的整体尺寸决定了视野（FOV）的起点
最小检测目标
要分辨的最小特征，决定了所需的成像分辨率
FOV 视野
镜头在给定工作距离下能覆盖的范围
工作距离 WD
镜头到工件的距离，受安装空间与安全间距约束
镜头焦距
焦距越大视野越小，单位区域的采样能力越强
像素采样
每个像素对应的实际尺寸，是精度的上限而非精度本身
光源与打光
让目标特征显现，往往比算法更能决定成败
运动速度与节拍
决定可用曝光时间，进而决定所需亮度
FPS 与处理能力
采集与处理速度需要匹配产线节拍
算法选择
判据明确的用规则算法，难以穷举的用异常检测
PLC / I/O / 通信
结果怎么接进现有产线控制系统
安装空间
相机、光源、线缆的可用空间常是项目的硬约束
视野与像素采样
先算清楚目标在图像上占多少像素
| 镜头焦距 | 工作距离 | 视野（H × V） | 像素采样参考值 |
|---|---|---|---|
| 8mm | WD 200mm | H 129.6 × V 97.2 mm | 约 0.050 mm/pixel |
| 16mm | WD 200mm | H 64.8 × V 48.6 mm | 约 0.025 mm/pixel |
| 25mm | WD 200mm | H 41.47 × V 31.10 mm | 约 0.016 mm/pixel |
规律是清晰的：焦距增加、视野缩小，单位区域的像素采样能力提高。这就是为什么「换一个镜头」会直接改变设备能覆盖的范围与可分辨的细节量级。
光源与打光
让目标特征显现出来
在多数实际项目中，打光方案比算法更能决定检测能不能做成。同一种缺陷，在不同的照明角度下可能清晰可见，也可能完全消失。
反光件
- 镜面反射可能淹没特征
- 常用手段：漫射光、偏振、调整入射角
- 核心是让反射光不进入镜头
黑色零件
- 吸光导致对比度低
- 低角度掠射光让边缘产生阴影
- 必要时用特定波长光增强材质差异
透明件
- 可见性依赖反光与折射
- 背光或暗场照明常用
- 透明度不同的批次表现可能不一致
金属件
- 加工纹路与反光同时存在
- 同轴光适合平整表面
- 注意不要用照明制造出「假缺陷」
油污与污染
- 油膜改变局部反光
- 建议用漫射光弱化油膜
- 严重时应考虑检测前清洁
环境光
- 车间照明会变化
- 建议加遮光罩或提高光源占比
- 自然光直射的场景最不稳定
算法选择
按判据形态选，而不是按先进程度选
算法选择的原则很简单：判据明确的用规则算法，判据难以穷举的才用 AI。反过来做，只会让原本稳定的项目变得不可解释。
模板匹配
位置固定、形态稳定的目标。实现简单、结果可解释，是「有无检测」最常用的一类。
异常检测
缺陷类型难以列举的场合。用正常状态建模，凡明显偏离基准的即判异常。
分类识别
需要区分型号、颜色或状态的场合，输出类别而非有无。
OCR 字符识别
读取印字、喷码、刻字并校验内容，适合追溯与防错。
读码
条码 / 二维码 / DataMatrix 解码，鲁棒性高、速度快。
几何测量
需要输出尺寸或位置量的场合，如到位深度、间距、角度。
通信与联动
结果怎么接进产线
结果最终要接进产线的控制系统，因此通信方式需要在方案阶段就确认，而不是设备做完再对接。
| 场景 | 建议方式 | 说明 |
|---|---|---|
| 只需一个放行 / 剔除信号 | I/O | 接线简单，响应快，适合单件剔除 |
| 需要与 PLC 交换状态与参数 | S7 / Modbus / Profinet | 可传输型号、配方号与检测结果 |
| 需要把数据回传上位系统 | TCP | 适合与 MES 或追溯系统对接 |
| 需要接入较老的控制系统 | RS485 | 布线成本低，适合长距离与多节点 |
另外要确认的是机械稳定性：相机与光源的支架刚度、工装的重复定位精度、以及长期运行中的光源衰减。这些因素不体现在参数表上，却直接决定检测是否稳定。
常见问题
关于选型的常见疑问
500 万像素够不够做有无检测？
要看待检目标在图像上占多少像素，而不是看总像素数。同样 500 万像素，覆盖 100mm 视野时每个像素约 0.02mm，覆盖 500mm 视野时约 0.11mm——前者能分辨细小特征，后者可能连目标轮廓都看不清。判断依据应该是「目标占几个像素」。
视觉检测设备如何选择镜头？
顺序是：先确定需要覆盖的视野与工作距离，再反推焦距；然后核对像素采样能否分辨最小检测目标。焦距不是越大越好——视野缩小意味着需要更多相机或更大安装距离。
像素采样值是检测精度吗？
不是。像素采样描述的是「每个像素对应多大实际尺寸」，是精度的理论上限。实际可分辨能力还要看边缘是否清晰、对比度是否足够、光源是否稳定、机械是否稳固。把采样值直接当作精度承诺，是选型中最常见的误区。
AI 算法是不是比传统算法更好？
不是「更好」，而是「适合不同的问题」。判据明确的项目（有无、数量、字符）用规则算法更稳定、更快、结果更可解释；只有判据难以穷举的场合（外观异常）才适合用 AI 异常检测。两者也可以组合使用。
选型时最容易忽略什么？
通常是安装空间与机械稳定性。许多方案在实验室里效果很好，上了产线却因为支架刚度不足、工装重复定位差或光源老化而变得不稳定。这些因素应当在方案阶段就纳入评估。
提交样品测试
选型最有效的一步，是把实际样品放在真实的光学条件下测一遍。纸面上的参数推算无法替代实测结果。
提交成功
我们已收到您的样品测试需求，方案工程师会在 1 个工作日内与您联系。如需加急，请直接致电 13913763268（微信同号）。
需要逐项评估成像条件、缺陷标准与节拍？ 前往完整需求评估 →