本类定位
本机训练、本机推理的视觉软件：算法库、样本管理、结果追溯与接口
视觉软件与算法是整套视觉检测设备里负责「看懂了没有、判得对不对」的那一层。它包含三部分：算法库（有无判断、模板匹配、特征量测、字符识别 OCR、读码、深度学习分割与分类、异常检测）、软件功能（配方管理、样本标注与训练、结果记录与追溯、权限与日志），以及对外接口（I/O、TCP、RS485、Modbus、S7、Profinet）。本项目的设备在本机完成训练与推理，不需要把图像上传到外部服务器。
硬件决定「能不能拍清楚」，软件决定「判得对不对、能不能持续判对」。一条产线上的视觉系统往往要用三五年，其间产品换型、材料批次变化、光源自然衰减都会发生，软件必须支撑这些变化，而不是每次都要重新开发。
所以本类方案的核心能力不是「算法多先进」，而是三件事：算法能不能按任务组合（同一个工位既做有无判断又做字符识别）、参数能不能按产品配方管理（切换型号不重新编程）、结果能不能留档追溯（出问题能回看图像与判定依据）。
另一件常被忽略的事是样本流程：从采集、标注、训练、验证到上线，以及上线后的再训练。这套流程是否顺畅，直接决定了新项目导入要多久、后期调整要多少人力。
本类方案
已有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。
检测范围
这类问题通常检测什么
| 能力类别 | 算法 / 功能 | 典型用途 |
|---|---|---|
| 有无与位置 | 模板匹配、特征匹配、Blob 分析 | 零件有无、位置校验、方向判断 |
| 量测类 | 几何量测、轮廓提取、亚像素拟合 | 尺寸、间距、角度、缺口 |
| 识别类 | OCR 字符识别、一维 / 二维码读取 | 喷码校验、批次追溯、读码 |
| 深度学习分割 | 缺陷分割（逐像素定位） | 形状多变的外观缺陷 |
| 深度学习分类 | 缺陷分类与等级判定 | 缺陷分型、等级划分 |
| 异常检测 | 基于正常样本的状态建模 | 缺陷难以穷举的场景 |
| 配方管理 | 按产品型号保存与切换参数 | 混线生产、快速换型 |
| 样本与训练 | 采集、标注、训练、验证 | 新项目导入与后期迭代 |
| 结果与追溯 | 结果记录、图像留档、日志与权限 | 质量追溯与复核 |
| 对外接口 | I/O、TCP、RS485、Modbus、S7、Profinet | 与 PLC 及产线系统联动 |
检测对象
常见的被检对象与材料
典型缺陷
这类方案主要针对哪些缺陷
| 软件相关环节 | 常见问题 | 关注点 |
|---|---|---|
| 配方切换 | 换型后参数未同步、误用旧配方 | 配方与产品标识绑定，切换留日志 |
| 样本管理 | 样本不足、边界样本缺失 | 样本库需覆盖边界情况并长期维护 |
| 阈值维护 | 上线后阈值未随批次调整 | 保留复判与再训练通道 |
| 结果留档 | NG 图像未存，问题无法复盘 | NG 图像与判定项必须留档 |
| 接口对接 | 通信协议不匹配、握手时序问题 | 方案阶段确认 PLC 型号与协议 |
| 权限与日志 | 参数被误改且无记录 | 参数修改需权限控制与操作日志 |
检测方式
成像、算法与判定的组合路线
算法按任务组合
一个工位多种算法
- 规则算法负责稳定、可解释的量测与匹配
- 深度学习负责形状多变的缺陷分割与分类
- 异常检测负责缺陷难穷举的场景
本机训练与推理
不依赖外部服务器
- 样本在设备端标注、训练、验证
- 推理在本机完成，产线不依赖外网
- 单张样本即可训练，便于快速导入
配方与换型
换型不重新编程
- 每个型号一套检测区域 / 参数 / 阈值
- 配方可导入导出，便于多机同步
- 切换记录进入操作日志
结果与追溯
判了要能回过来说清
- OK / NG + 判定项 + 位置
- NG 图像留档，支持复判
- 结果可上传 MES 或本地导出
检测流程
- 01样本采集（含边界样品）
- 02标注与样本库建立
- 03选择算法路线并训练 / 调参
- 04验证集测试与阈值整定
- 05配方建立与现场试跑
- 06上线运行与结果留档
- 07定期复判与再训练维护
适用行业
这类方案通常装在哪个行业
本类资料清单
已确认内容与待核实项
| 资料项 | 说明 | 状态 |
|---|---|---|
| 本类方案页 | 软件平台 / 算法模块的专项说明页（当前为预留位） | 按实际检测对象与产线确认 |
| 软件名称与版本 | 正式产品名与版本号 | 按实际检测对象与产线确认 |
| 支持的相机与路数 | 可接入的相机型号与数量上限 | 按实际检测对象与产线确认 |
| 标注与训练工具说明 | 标注方式、训练耗时、是否支持增量训练 | 按实际检测对象与产线确认 |
| 部署环境要求 | 硬件配置、操作系统、是否需要外部服务器 | 按实际检测对象与产线确认 |
| 授权与升级方式 | 授权形式、升级与维护策略 | 按实际检测对象与产线确认 |
| 二次开发接口 | 数据导出、接口文档、SDK 情况 | 按实际检测对象与产线确认 |
| 软件界面截图与说明 | 真实界面截图与功能说明 | 按实际检测对象与产线确认 |
常见问题
关于这类方案的常见疑问
视觉软件是随设备提供还是单独销售？
本项目为整机交付：视觉软件与算法随设备一起提供，包含算法库、配方管理、样本训练与结果追溯功能，不需要另外购买第三方视觉软件。具体的授权与升级方式需要在合同中确认，
训练必须在设备上做吗？
本项目的设备支持本机完成训练与推理，这意味着产线运行时不需要依赖外部服务器或外网，样本数据也不必离开现场。对于需要大量样本的复杂项目，也可以先在其它环境做实验，最终模型部署到设备端运行。
需要多少张样本才能训练？
取决于算法路线和缺陷复杂度，没有统一数字。规则算法基本不需要样本，只需调参；深度学习分割 / 分类通常需要各类缺陷的足量样本，且必须包含边界情况；异常检测只需要正常样本，但需要覆盖正常状态的自然波动。样本数量的判断建议通过试跑逐步确认，而不是先定数字。
算法能不能自己学习新缺陷？
不能完全自动。新缺陷需要人工确认与标注后才能进入样本库参与训练，这一步不能省——否则系统会把自己不确定的东西当成新缺陷，反而造成大量误判。合理做法是保留人工复判环节，对系统标记的可疑项确认后再纳入训练。
软件更新会不会影响已经调好的参数？
升级需要谨慎处理，因为算法版本变化可能影响已整定的阈值。合理做法是升级前备份配方与样本库，升级后先用验证集复测，确认无回归再上线；重要产线建议保留回退方案。具体的升级策略需要与供方确认。
能不能和现有的 MES 或质量系统对接？
可以对接，具体方式取决于目标系统的接口能力。常见做法是设备侧通过 TCP 或数据库写入把结果（时间、件号、判定、缺陷类型与图像路径）传给上层系统。需要提供目标系统的接口说明，由双方技术确认。
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 →