本类定位
曲面件机器视觉检测：2D ｜ 2.5D 光度立体 ｜ 3D ｜ 线扫 ｜ AI 视觉 ｜ 机器人视觉
曲面件视觉检测针对的是带曲率、弧面、异形面、高反光面的工业产品，比如曲面塑胶件、注塑外壳、钣金件、喷涂件、汽车内外饰件。它要解决的不是「拍不到」，而是如何稳定成像、如何提取缺陷特征、以及如何在材质与曲率变化时保持判断一致。工程上的路线是把 2D 成像、2.5D 光度立体、3D 测量、线扫成像与 AI 算法按工件特性组合起来，而不是指望单一相机与单一光源覆盖全部区域。
曲面件与平面件最大的差别是表面法线方向处处不同。平面件只要相机与光源相对固定，全场成像条件就基本一致；曲面件用同一套打光，必然出现「有的区域过曝、有的区域全黑」。结果是缺陷在部分区域显不出来，显出来的形态也差异很大——这就是曲面上「同一处缺陷在不同角度下时隐时现」的原因。
围绕这个问题，亿恩凯 EEK 的曲面件检测方案沿三条线展开：一是成像端，用多角度 / 多工位覆盖不同朝向区域，或用 2.5D 光度立体的多方向光序列重建表面形貌，把划痕、凹坑、凸点、棱边这类有高度变化的缺陷转成可判断的形貌图；二是算法端，用 AI 分割与分类处理形状多变、难以用固定规则描述的复杂缺陷；三是测量端，通过相机标定与坐标系建立，把尺寸、轮廓、位置度这类量测需求落到同一套基准上。
曲面件检测的完整链路可以概括为六个环节。产品上料后先经过光学成像获得多角度、多模式的图像，再由视觉算法做增强、配准与特征提取，接着由 AI 模型完成缺陷识别与分类，然后按规则输出 OK / NG 判定，判定结果驱动自动化机构完成分拣，最后检测数据与图片进入追溯系统。这条链路上任何一环缺失，都会让检测结果停留在「能看见但判不准」。
- 01产品上料与定位
- 02光学成像（2D / 2.5D / 3D / 线扫）
- 03图像处理与特征提取
- 04AI 缺陷识别与分类
- 05规则判定 OK / NG
- 06自动分拣与数据追溯
为什么传统视觉难以稳定检测曲面产品
曲面检测的难点不在「拍不到」，而在成像稳定性、特征可提取性与判断一致性
01 曲率复杂
产品表面存在多个不同曲率的面，传统单一角度视觉容易出现检测盲区——某个区域的合适成像角度，对另一个区域可能完全不合适。
02 高反光
金属件、喷涂件及高光塑胶容易产生强反射，划痕、凹坑等缺陷的信号容易被镜面高光淹没，对比度大幅下降。
03 材质复杂
金属、塑胶、喷涂、膜材等不同材质需要不同的光学成像方式；同一工件上如果既有镜面区又有哑光区，往往还要分区采用不同打光。
04 缺陷尺寸小
细微划痕、凹点、凸点、异物等缺陷尺寸很小，既要足够的空间分辨率，又要保证小缺陷在图像上仍有可用的对比度。
05 外观标准复杂
同一产品可能同时存在颜色、表面、轮廓、尺寸及装配等多种检测要求，各项目的判据与阈值互不相同，不能用一套规则套用。
06 人工检测不稳定
长时间人工目检容易受疲劳、经验与环境光影响，难以保持统一判定标准；接触式量测还可能带来二次损伤。
一套视觉系统，覆盖不同曲面检测场景
按工件材质、曲率、缺陷类型与产线节拍，组合 2D / 2.5D / 3D / 线扫 / 机器人视觉五条技术路线
曲面件不是一个行业，而是一类检测技术场景。同一个页面上并列的这五条路线，对应的是五类不同的工件与需求：常规外观用 2D，微小凹凸用 2.5D 光度立体，深度与三维尺寸用 3D，连续运动与大幅面用线扫，姿态复杂与多面检测用机器人。实际项目往往是其中两到三条的组合。
方案 01 ｜ 2D 视觉检测
通过工业相机与专业光源获取产品表面图像，适用于常规曲面外观检测。适合结构相对简单、缺陷特征明显的产品。
- 外观检测 · 颜色检测 · 轮廓检测
- 尺寸检测 · 有无检测 · 装配检测
- OCR 字符识别 · 条码 / 二维码识别
方案 02 ｜ 2.5D 光度立体视觉
通过多方向光源对产品分次成像，利用光度立体算法把曲面上难以用灰度表达的形貌变化还原出来，让微小凹凸缺陷更明显。
- 输出相对高度图 · 法向量图 · 曲率图 · 反射率图 · 融合图
- 增强划痕 · 凹坑 · 凸点 · 棱边 · 压伤 · 异物等缺陷特征
- 成像期间工件需保持静止，通常配合多分度拍摄
方案 03 ｜ 3D 视觉检测
从二维图像走向三维空间检测。针对复杂曲面、深度变化及尺寸类检测需求，采用 3D 视觉技术获取产品三维信息。
- 高度 · 深度 · 轮廓 · 平面度 · 曲率 · 体积
- 装配高度 · 三维尺寸 · 位置偏差
- 适合复杂结构件、汽车零部件、注塑件及精密工业产品
方案 04 ｜ 线扫视觉检测
面向连续运动、大尺寸及可展开的曲面产品。用线扫相机配合高速运动平台、专业光源与 AI 算法实现连续扫描检测。
- 适用金属板材 · 钣金件 · 卷材 · 薄膜 · 大尺寸塑胶件
- 适用圆柱面 / 弧形产品 · 玻璃 · 皮革等连续走料场景
- 检测流程：产品运动 → 线扫采集 → 图像拼接 → 缺陷识别 → NG 剔除
方案 05 ｜ 机器人视觉检测
让机构带着产品「转起来」，实现多角度检测。针对人工难以摆放、产品姿态复杂及多面检测场景，用机器人 / 机械臂、柔性夹具与 AI 算法完成自动抓取、旋转、翻转、定位及多角度检测。
- 多轴姿态调整：旋转 + 俯仰，配合相机或产品移动覆盖各朝向
- 柔性 / 仿形夹具，兼顾多型号共线与快换
- 适合汽车零部件 · 注塑件 · 钣金件 · 喷涂件 · 家电结构件
检测范围
曲面件检测通常覆盖哪几类问题
| 检测类别 | 检测项 | 实现方式 |
|---|---|---|
| 外观缺陷 | 划痕、擦伤、脏污、色差、缩水、料流痕 | 2D 多角度成像 + 纹理抑制 |
| 形貌异常 | 凹陷、凸起、褶皱、压痕、变形 | 2.5D 光度立体 / 条纹光 |
| 喷涂与表面处理 | 颗粒、流挂、橘皮、露底、喷涂不均 | 漫射光 + 多角度成像 + AI 分类 |
| 边缘与轮廓 | 轮廓度、毛边、飞边、溢胶、毛刺 | 背光或同轴光测轮廓 |
| 尺寸量测 | 长度、孔位、孔径、角度、位置度 | 标定 + 特征点量测 |
| 三维量测 | 高度、深度、平面度、曲率、装配高度 | 3D 视觉 / 点云处理 |
| 装配特征 | 卡扣 / 凸台 / 筋位是否完整、漏装错装 | 分区检测 + 模板匹配 |
| 字符与标识 | 字符缺失、错印、模糊、条码与二维码读取 | OCR / 读码算法 |
| 位姿与方向 | 正反、朝向、摆放角度 | 特征匹配 + 位姿解算 |
检测对象
常见的被检零件、材料与已建成的专项方案
典型缺陷
这类方案主要针对哪些缺陷，以及各自的检测难点
| 缺陷类型 | 典型表现 | 检测关注点 |
|---|---|---|
| 划痕与擦伤 | 曲面上的线性损伤 | 不同朝向需不同打光，单一光源必然漏检 |
| 凹陷与凸起 | 局部形貌异常、有高度变化 | 2.5D 光度立体 / 条纹光最可靠 |
| 褶皱 | 包覆或成型造成的堆积 | 判断褶皱是否可接受需客户明确标准 |
| 压痕 | 受力或堆放造成 | 注意与设计造型区分，避免把造型判为缺陷 |
| 缩水与料流痕 | 注塑件表面光泽不均 | 需要稳定的多角度照明才能一致成像 |
| 毛边与飞边 | 分型面溢料、边缘多余材料 | 背光或同轴光测轮廓 |
| 毛刺 | 边缘及孔位残留的细小凸起 | 需要轮廓成像 + 高速算法规避边线干扰 |
| 裂纹 | 表面裂纹与异常纹理 | 对比度低、走向不定，通常需要 AI 分割 |
| 脏污与异物 | 表面污染、附着异物 | 注意与材料自身纹理、斑点区分 |
| 色差 | 件内或件间色度偏差 | 曲面反光会影响色度测量，需专门处理与固定照明 |
| 喷涂缺陷 | 颗粒、流挂、橘皮、露底、喷涂不均 | 喷涂件同时存在镜面与漫反射，需分区打光 |
| 焊接缺陷 | 钣金焊接件的焊点异常、焊渣、裂纹 | 需结合 3D 高度信息判断 |
| 缺料与缩孔 | 注塑件局部填充不足 | 常与曲率变化叠加，需分区判据 |
| 孔位与结构异常 | 孔偏、孔堵、位置度超差 | 标定后按图纸基准量测 |
| 装配缺失与错位 | 漏装、错装、位置偏移、方向装反 | 分区检测 + 模板匹配 + 位姿解算 |
从「看表面」到「看懂缺陷」
曲面件视觉检测的九类核心能力
表面划痕
检测产品表面细微线状划伤。曲面上的划痕朝向各异，需多角度成像覆盖，避免某一朝向漏检。
凹坑 / 凸点
检测 2.5D 表面高度变化。这类缺陷灰度对比度低，靠相对高度图与融合图增强后才稳定可判。
异色
检测颜色异常及局部色差。曲面反光会干扰色度测量，需要固定照明条件与专门的色度处理。
脏污 / 异物
识别产品表面污染及附着异物，并与材料自身纹理、色点区分开，避免把纹理判为缺陷。
毛刺
检测边缘及孔位毛刺。需要轮廓成像配合算法抑制边线本身的干扰信号。
裂纹
识别产品表面裂纹及异常纹理。对比度低、走向不定，通常借助 AI 分割提取区域后再分类。
喷涂缺陷
检测喷涂不均、流挂、颗粒、橘皮、露底等异常。喷涂件镜面与漫射并存，需分区打光与 AI 分类。
尺寸 / 轮廓
实现产品尺寸、轮廓及位置检测。以标定与图纸基准为前提，装夹重复性通常是误差主项。
装配检测
检测漏装、错装、位置偏移等问题。按区域分别设判据，并结合模板匹配与位姿解算。
AI 视觉，让复杂缺陷更容易被识别
面向难以用固定规则描述的复杂缺陷，用 AI 算法完成分割、提取、分类与判定
传统规则视觉依赖人工定义阈值与特征，对形状多变、边界模糊、在不同材质上表现不一致的缺陷往往难以稳定描述。曲面件的划痕、异色、脏污、喷涂缺陷、复杂纹理正属于这一类。亿恩凯 EEK 在这类场景下采用 AI 检测、AI 分割、AI 分类、异常检测、OCR、目标定位 等算法能力，把缺陷的识别从「写规则」转为「学特征」。
工程上形成了一条完整的算法链路：原始图像先经 AI 分割得到缺陷区域，再从分割结果中提取外接区域并做缺陷聚合，随后按缺陷类型进入 AI 分类模型，最后计算像素级的几何结果（长、宽、面积、坐标中心、缺陷框），进入规则判别环节输出 OK / NG。这条链路把「像不像缺陷」和「算不算超差」分成两步，判定依据是可追溯的。
- 01图像输入
- 02AI 缺陷分割
- 03缺陷区域提取
- 04缺陷聚合与切图
- 05AI 缺陷分类
- 06像素级结果计算
- 07规则判定
- 08OK / NG 输出
AI 检测与定位
在图像中定位目标与缺陷位置，为后续分割与判定提供感兴趣区域，减少无关区域的干扰。
AI 分割
做像素级区域划分，把缺陷、工件区域与背景分开。对边界模糊、形状不规则的缺陷尤其有效。
AI 分类
对分割出的缺陷区域判定类型（例如划痕 / 凸点 / 白点），支持按缺陷种类分别设定判据。
异常检测
面向样本稀少、缺陷形态无法穷举的场景，用正常样本建模，把偏离正常形态的区域作为异常提示。
OCR 字符识别
识别产品表面的字符、批号与标识，判断缺失、错印与模糊，并可与生产数据关联做追溯。
目标定位与测量
提取缺陷区域的几何量（长、宽、面积、质心坐标）并输出缺陷框，供规则判定与结果留存。
工业视觉检测软件平台
把算法、相机、运动控制、IO、配方、用户、日志与数据统一到一个视觉检测系统中
曲面件检测项目往往同时包含多套成像、多种缺陷判据与多个型号切换。如果这些内容分散在不同的小程序与配置文件里，后期换型、调参与追溯都会变成负担。亿恩凯 EEK 的视觉检测软件平台把检测所需的各项能力收敛到同一套系统内：算法与相机参数、运动轴与 IO 点位、产品配方与批次、用户权限与运行日志、检测图片与结果数据，都在一个界面下管理。
配方管理
支持不同产品、型号及批次的视觉检测配方管理。换型时调用对应配方，避免逐项重新调参。
算法通信
通过可视化流程快速组合视觉检测算法，按搭积木方式搭建检测流程，减少重复编码。
运控模块
支持运动轴、IO 及设备控制，可在同一系统内完成视觉与运动的协同，减少额外控制硬件。
数据管理
记录 OK / NG 结果、检测时间、批次及检测图片，为质量分析与工艺优化提供原始数据。
日志管理
支持运行日志、操作审计与系统维护记录，满足过程可查、责任可追溯的管理要求。
数据追溯
支持生产数据查询、报表输出及产品失效分析，把检测结果回溯到具体批次与工件。
从光学成像到自动分拣的完整链路
曲面件视觉检测的六层技术架构
- 01光学成像
- 02图像处理
- 03AI 算法
- 04视觉判断
- 05自动化执行
- 06数据追溯
01 光学成像
决定缺陷看不看得见
- 工业相机 / 线扫相机
- 2D 光源、多角度打光
- 2.5D 光度立体光源
- 3D 视觉传感器
02 图像处理
把原始图像变成可用信息
- 图像增强与校正
- 相对高度图 / 法向量图
- 曲率图 / 反射率图
- 多通道图像融合
03 AI 算法
处理难以用规则描述的缺陷
- AI 检测 · AI 分割 · AI 分类
- 异常检测
- OCR · 目标定位
- 像素级结果计算
04 视觉判断
把算法结果落到合格判据
- OK / NG 判定
- 缺陷分类与分级
- 尺寸与公差判断
- 规则判定与阈值管理
05 自动化执行
把判定结果变成产线动作
- 机器人 / 机械臂抓取与分拣
- 运动平台与多轴姿态调整
- 剔除机构
- OK / NG 分道皮带线
06 数据追溯
让检测结果可查、可回溯
- 生产数据与检测图片
- NG 记录与批次管理
- 质量分析与报表
- 与 PLC / MES 对接
检测方式
成像、算法与判定的组合路线
多角度成像
让每个区域都有合适的视角
- 多相机 / 多工位覆盖不同朝向区域
- 或单相机配转台 / 翻转机构分次成像
- 关键是覆盖，不是单纯增加相机数量
光度立体
把三维形貌变成可判断的图像
- 多方向光序列重建表面法线与曲率
- 对凹陷、褶皱、压痕这类缺陷最有效
- 需要物体在成像期间保持静止
标定与量测
尺寸项靠标定，不靠像素猜
- 先做相机标定与坐标系建立
- 按图纸基准定义测量基准
- 装夹重复性通常是误差主项
算法与判定
分区判定 + 综合结论
- 按区域分别适用不同判据
- AI 分割处理形状多变的缺陷
- 边界情况由客户质量标准界定
检测流程
- 01零件 3D 结构与关键检测面确认
- 02成像方案设计（角度覆盖 + 打光方式）
- 03装夹与定位方案确认
- 04相机标定与坐标系建立
- 05多角度 / 多位姿图像采集
- 06形貌重建与缺陷分割
- 07尺寸量测与装配特征核验
- 08综合判定 OK / NG 并输出
曲面视觉检测，覆盖多种制造行业
按行业拆分的检测对象与重点检测项
典型视觉检测案例
按技术路线归类的三类代表性场景
案例 01 ｜ 锂电方形电芯外观检测
多工位 2.5D / 3D + AI 视觉检测。按不同表面材质分别设计视觉模组，并按各成像方式的优势配置深度学习网络，覆盖大面、底面、窄侧面、顶面与极柱等区域。
- 检测内容：防爆阀、PP 膜、极柱、铝壳、蓝膜等多类缺陷
- 项目资料口径：检测项覆盖 78 项缺陷，按 CR（致命）6 项 / MA（一般）33 项 / MI（轻微）28 项 分级管理
页面标签：AI 视觉 ｜ 2.5D ｜ 3D ｜ 多工位 ｜ 锂电
案例 02 ｜ 复杂曲面外观缺陷检测
光度立体视觉检测。通过多方向光照分次成像，结合高度图、反射率图与 AI 算法增强产品表面的微小缺陷，把灰度上难以分辨的形貌变化还原成可判定的图像。
- 典型检测：凹坑 ｜ 凸点 ｜ 划痕 ｜ 异物 ｜ 棱边缺陷
- 适用场景：高光塑胶件、曲面外壳、需要分辨微小凹凸的工件
页面标签：光度立体 ｜ 2.5D ｜ 高度图 ｜ AI 分割
案例 03 ｜ 鼠标 / 消费电子外观检测
消费电子曲面外观 AI 检测。通过多角度视觉成像及 AI 缺陷识别，对高光曲面外壳的外观缺陷进行自动检测；工件姿态由多轴机构带动调整，配合相机完成多角度覆盖。
- 检测内容：划痕 ｜ 凸点 ｜ 白点 ｜ 异色 ｜ 脏污 ｜ 棱边缺陷
- 典型配置：多角度成像 + 光度立体 + AI 分类 + 自动分拣
页面标签：AI 视觉 ｜ 多角度成像 ｜ 机器人 / 多轴 ｜ 3C 电子
从样品测试到量产落地
六步实施流程：需求分析 → 样品测试 → 方案设计 → 算法开发 → 设备集成 → 现场交付
- 01需求分析
- 02样品测试
- 03方案设计
- 04算法开发
- 05设备集成
- 06现场交付
STEP 01 需求分析
了解产品、缺陷类型、检测精度要求及产线节拍，明确哪些项必须自动检出、哪些项可以人工兜底。
STEP 02 样品测试
通过不同相机、镜头和光源对真实样品进行成像验证，先确认缺陷有没有可用的成像方案。
STEP 03 方案设计
确定 2D / 2.5D / 3D / 线扫 / AI 等技术路线，以及相机数量、成像角度、装夹与节拍方案。
STEP 04 算法开发
建立检测模型、规则及缺陷分类标准，用真实样本训练与验证，并把判据固化到配方中。
STEP 05 设备集成
完成视觉、机械、电气、机器人及软件的集成，联调产线节拍与上下料衔接。
STEP 06 现场交付
完成现场调试、验证、培训及量产导入，并按验收标准逐项确认检测能力。
为什么选择亿恩凯 EEK
用具体能力说明，而不是形容词
光学能力
2D、2.5D 光度立体、3D、线扫与多光源成像。按工件材质与曲率选择成像方式，而不是用同一套光应对所有表面。
AI 算法能力
覆盖 AI 检测、分割、分类、异常检测与 OCR，把难以用固定规则描述的复杂缺陷转成可判定的结果。
自动化能力
运动平台、机器人、机械手与自动分拣。检测结果直接驱动产线动作，而不是只输出一份报表。
软件能力
视觉检测软件平台，统一管理配方、算法流程、运控、日志与数据，支持换型与追溯。
项目能力
从样品测试到设备交付的一体化项目实施，覆盖需求分析、成像验证、算法开发、集成与现场交付。
行业能力
覆盖汽车、3C、钣金冲压、注塑、喷涂、家电、锂电及精密制造行业的检测场景。
本类方案
按零件类型细分的专项方案页与预留方案位
本类方案按检测对象与材料细分。下表列出已建成的方案页；其余细分方案位已预留，资料补齐后即可上线。
本类资料清单
已确认内容与需要业务资料才能落地的项
| 资料项 | 说明 | 状态 |
|---|---|---|
| 本类方案页 | 按零件类型细分的专项方案页（当前为预留位） | 按实际检测对象与产线确认 |
| 零件 3D 图与关键检测面 | 决定成像角度覆盖方案 | 按实际检测对象与产线确认 |
| 曲面最小曲率半径 | 曲率过大会导致有效成像区域变小 | 按实际检测对象与产线确认 |
| 材质与表面反光特性 | 镜面 / 哑光决定打光方式 | 按实际检测对象与产线确认 |
| 外观判定标准 | 哪些形貌可接受，需客户明确 | 按实际检测对象与产线确认 |
| 尺寸项与公差、基准定义 | 按图纸基准建立测量坐标系 | 按实际检测对象与产线确认 |
| 装夹方式与重复定位精度 | 尺寸测量的误差主项 | 按实际检测对象与产线确认 |
| 目标节拍与允许工位数 | 决定用多相机还是分次成像 | 按实际检测对象与产线确认 |
| 缺陷样本（OK / NG 各若干） | 决定算法路线能不能验证 | 按实际检测对象与产线确认 |
| 产线对接条件 | PLC 品牌、通信方式、上下料方式与现场空间 | 按实际检测对象与产线确认 |
常见问题
关于曲面件视觉检测的常见疑问（点击展开）
什么是曲面件视觉检测？
曲面件视觉检测是利用机器视觉、2.5D 光度立体、3D、线扫及 AI 算法，对具有曲率、弧面、异形结构的工业产品进行外观、尺寸、缺陷及装配状态检测。它与平面件检测的根本差别在于表面法线方向处处不同，因此成像方案必须围绕「多角度覆盖」来设计，而不能用一套固定光源通吃全场。
曲面产品为什么需要 2.5D 视觉？
对于划痕、凹坑、凸点、棱边这类具有高度变化的缺陷，单纯二维灰度信息可能难以稳定表达。光度立体通过多方向照明获得表面相对高度及法向量等信息，从而增强 2.5D 表面缺陷特征。尤其是凹坑与凸点，在常规灰度图里往往只表现为轻微明暗变化，而在高度图与融合图上会明显成形。
曲面件可以使用线扫相机检测吗？
可以。对于连续运动、大尺寸、卷材、圆柱面及需要展开检测的产品，可以采用线扫相机结合运动平台和专业光源进行连续扫描。线扫的优势在于幅面与连续走料，但它要求产品与相机之间有稳定的相对运动，所以更适用于产线在线场景，而不是静态工位抽检。
曲面件适合 AI 视觉检测吗？
适合。对于划痕、异色、脏污、喷涂缺陷、复杂纹理等难以通过固定规则描述的缺陷，可以采用 AI 检测、AI 分割、AI 分类或异常检测算法。需要说明的是，AI 算法的效果高度依赖样本质量——缺陷样本的数量与覆盖度，比模型结构更直接影响最终效果。
注塑件可以做视觉检测吗？
可以。注塑件可以针对飞边、毛刺、缩水、缺料、气泡、黑点、白点、异色、划伤、变形等问题设计视觉检测方案。注塑件的特殊之处在于缩水与料流痕属于光泽不均，需要稳定的多角度照明才能一致成像，否则同一件在不同工位拍出来的结果会不一致。
钣金件可以检测哪些缺陷？
可以根据产品实际要求检测划痕、凹坑、毛刺、变形、异色、焊接异常以及其他表面缺陷。钣金件的难点常在幅面较大与边缘复杂——既要有足够的空间分辨率覆盖整件，又要处理折弯边、孔位边缘带来的干扰信号。
喷涂件可以做 AI 视觉检测吗？
可以。针对喷涂件的颜色、表面纹理和外观缺陷，可以通过专业光学成像结合 AI 视觉算法进行检测。喷涂件的难点是镜面反射与漫反射并存：颗粒、橘皮属于纹理类异常，流挂、露底属于大范围形貌异常，划痕又依赖方向性照明，往往需要分区采用不同打光并对不同缺陷分别建模。
曲面件为什么比平面件难检？
因为表面法线方向处处不同。平面件可以用一套固定打光获得一致成像条件，曲面件同一套光会让部分区域过曝、部分区域欠曝，缺陷在不同区域的表现也不一样。解决方向是增加成像角度覆盖，或改用对视角不敏感的光度立体重建形貌。
曲面上的划痕能全部检出吗？
不能一概而论，取决于划痕朝向和曲率。方向性照明会把某个朝向的划痕照得很好，同时让另一类朝向的划痕对比度下降，所以需要用多方位打光甚至多角度成像来覆盖。对于曲率很大或接近镜面的区域，可检性需要实测确认，不能仅凭相机分辨率下结论。
曲面上能同时做尺寸检测吗？
可以，但要先把坐标系建准。曲面件的尺寸通常以图纸基准为准，需要先标定相机再按基准建立测量坐标系。更大的误差来源往往是装夹重复性——如果每次装夹位置都有偏差，再高的分辨率也测不准。这一点需要在方案阶段和工艺一起定。
检测精度是多少？
外观项的可检性与尺寸项的量测精度是两回事：外观取决于缺陷对比度与成像角度覆盖，尺寸取决于标定精度、装夹重复性与算法量测方式。两者都需要用真实零件实测确认，不能用一个孤立的精度数字代表整个方案。
需要多少个相机？
取决于需要覆盖的区域与朝向数量，以及节拍要求。如果能用转台或翻转分次成像满足节拍，相机数量就可以少；如果节拍紧、不允许分次，就要多相机同时成像。具体要按零件图和产线节拍评估，不是越多越好。
哑光和镜面材料方案一样吗？
不一样。哑光表面适合漫射光看瑕疵，镜面高光件则需要同轴光、偏振或多角度组合来压制镜面反射，否则图像会被高光淹没。同一零件上如果既有镜面又有哑光区域，往往需要分区采用不同打光。
延伸阅读
提交样品测试
把工件、缺陷样本、检测要求与产线节拍发给我们，方案工程师会判断它属于哪一类检测问题，并给出成像方式与配置建议。
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 →