制造业中的机器视觉：质量检测、安全，以及为什么与MES的集成决定成败

机器视觉是智能工厂里最容易演示、也是最难投入生产的部分之一。在幻灯片上找出缺陷的模型是一个已解决的问题。在十一月凌晨三点、阳光从天窗照进来的角度已不同于试点期时仍然稳定的模型，则完全是另一回事。

这就是两者的分界，也是应该在概念验证之前向供应商追问的问题，等到之后再问就晚了。

视觉真正胜过人的地方

在速度下的一致性，针对已定义的缺陷，无限持续。人在发现新奇怪异之物上强于任何模型。人在以看第一件的注意力去看班次里第八百件时，弱于任何模型。

因此划算的场景都有同一种形状：大批量、可描述的缺陷类别、以及漏检确有代价。运行料带上的表面缺陷。合盖前元件的有无与朝向。标签、批号和日期的可读性：枯燥的活儿，也是食品与制药行业最常见的客户投诉来源之一。灌装液位与焊缝完整性。以及有人正拿着卡尺和夹板在做的尺寸检查。

失望的场景也有同一种形状：没有历史图像的罕见缺陷、随客户心情变化的缺陷定义，以及所有那些诚实答案是“两位资深检验员也会各执一词”的情形。

实时安全监控是另一个产品

安全监控常与质量视觉打包销售，行为却完全不同。质量检测看的是受控画面里的一个零件。安全监控看的是一片空间，寻找人员、劳保用品的使用、叉车与行人的接近、以及在设备运行时本应清空的区域是否有人进入。

技术上的差别在于，安全是在不受控场景上连续运行的，因此误报就是问题的全部。质量模型叫得太勤会制造返工。安全模型叫得太勤，两周内就会被关掉。那时系统比没有更糟，因为它被信任，而它是错的。

组织上的差别更大。在欧洲很多地方，拍摄工作中的人首先是职工代表与数据保护的问题，其次才是技术问题。活下来的实施，都是在装相机之前就把保存期限、匿名化和查看权限谈妥的。

为什么集成把系统和演示区分开

一个点亮红灯的检测单元，只是告诉了站在旁边的操作员。仅此而已。它没有告诉工厂任何事。

让检测能够累积的是回写。判定落到工单、批次、工位和时间戳上，落在拥有其余生产数据的同一个系统里。一旦如此，一些独立相机在任何精度下都做不到的事情就变得可能。

缺陷自动扣住下一道工序，于是注定报废的零件不再累加价值。缺陷率成为排程能看见的量，于是正在偏离公差的设备会改变计划，不会让计划措手不及。谱系能在几分钟内回答召回问题，因为每一张图像和判定都挂在批次上，批次又挂在供应商批次上。而模型会变好，因为操作员的纠正在设计上就成为标注训练数据，不取决于谁记得导出一个文件夹。

所以集成的问题排在精度的问题之前。请问：判定写到的那张工单归哪个系统所有？如果视觉平台维护自己的一套生产记录，就会有人去对两套事实。

实施真正需要什么

照明，第一位，也是最不炫的一项。多数在精度上失败的视觉项目，输在照明和零件定位的可重复性上，问题很少出在模型。受控恒定的光照和固定的零件位置，几乎总能赢过更聪明的算法。

缺陷图像，第二位。每个缺陷类别几百个标注样本，对多数表面任务和有无检测是现实的起点。如果某个缺陷一年出现两次，视觉就不是合适的工具。那是过程控制问题。

第三，在上线前就决定命中时会发生什么：剔除、扣留、告警，还是标记待复核。推迟这件事的团队，最后会得到一个没人有权据此行动的检测系统。

第四，给操作员的覆盖通道。它是改进模型的机制，也是模型第一次出错时维系信任的东西。

在边缘还是在云端

推理在边缘，在产线旁。延迟和网络依赖对于必须在两个工位之间做出的决策是不可接受的风险，工厂也不该因为广域网抖了一下就停止检测。

训练、模型管理、版本控制和跨厂比较放在中心。一个在四个国家生产同一产品的集团，想要的是一条模型血脉。四个被本地调过的模型会悄悄漂移，直到废品率不再可比。

如何做一个能证明东西的概念验证

一个缺陷类别、一条产线、带上归因的成本。与现有检测并行运行，不取而代之，并统计双向的不一致。漏检比误报更重，而只有并行运行才能暴露它。

跑完一个班次循环，条件允许的话跑过一次天气变化。成功阈值在开始前就定好，并用车间的语言表述：每千件的漏检数，或释放出来的检验工时。没有事先约定阈值的概念验证，最后总会变成一场“百分之九十四算不算好”的争论。