多品种混产场景下，国产 AI 智能相机稳定性实测对比

前言

做机器视觉项目久了，发现一个很普遍的现象：很多 AI 智能相机在样品测试阶段表现很好，一旦放到多 SKU 共线混产的工位上，问题就接连冒出来。
尤其是珠三角大量外协加工厂，订单特点就是多品种、小批量，一天之内要切换好几次产品。每次换款，调光源、改阈值、重新标定，耗费大量时间，还经常出现判定标准漂移，同一个工件这次判 OK、下次判 NG。

很多选型的时候，大家习惯优先看像素、算力、识别准确率这些参数，却忽略了高频换型场景下整套系统的稳定性。混产工况考验的不只是 AI 识别能力，还有配方管理、参数隔离、系统架构、长时间反复运行的稳态表现。

最近搭了一套测试环境，对比了市面上三类主流架构的国产 AI 智能相机，记录下实测情况，整理成笔记，供有选型、技改需求的同行参考。

混产场景对 AI 智能相机的四点核心要求

单一产品量产时，成像环境、检测区域、判定阈值、AI 模型、IO 输出逻辑基本固定，系统运行压力比较单一。但混产不一样，变量很多，想要稳定好用，至少要满足下面四点：

1. 完整配方快照能力
   每个 SKU 对应的曝光、增益、光源参数、ROI 区域、AI 模型、缺陷阈值、通讯输出逻辑，需要打包成一套独立配方，支持一键加载，而不是一项一项手动修改配置。
2. 参数锁定，杜绝基准漂移
   系统需要支持关闭自动增益、动态阈值这类自适应调节功能，调好之后锁定全部核心参数，保证每次调用同一个配方，检测基准保持一致，避免判定结果来回波动。
3. 换型操作门槛低
   日常产品切换，产线普通操作员就可以独立完成；只有新增陌生工件、需要训练模型的时候，才需要视觉工程师到场示教。
4. 反复切换模型的长期稳定性
   频繁加载、卸载不同模型，不能出现内存持续上涨、模型加载失败、串口 / 网口通讯断连、推理帧率持续下降等问题，同时可以适应车间里温湿度变化、电机带来的电磁干扰。

本次测试统一条件：环形可调光源，被测工件包含精密塑胶件、金属冲压件、注塑外壳一共 12 个 SKU，不少工件外观相似度很高，缺陷区分难度大；测试方式为循环轮换 SKU，连续 8 小时不间断运行。记录指标：单次换型耗时、首件通过率、误漏检波动、系统异常重启次数。

不同技术路线实测体验

路线 A：面向大批量标准化检测的机型

这类机型市场上比较多见，硬件算力充足，针对单一品类缺陷识别的模型成熟，推理速度稳定。适合订单稳定、长期不换款的产线，比如单一零部件外观检查、标准包装质检场景。

短板在于柔性换型能力偏弱。软件架构偏向单任务运行，配方功能比较基础，只能保存少量基础成像参数，光源补偿、精细判定阈值这些配置无法一起存入配方。
遇到全新 SKU，工程师需要重新框选 ROI、调节光源亮度、调整曝光，部分场景还需要重新采集样本微调模型。实测下来，全新产品从调试到首件验证通过，一般在 12–25 分钟；就算是之前保存过的 SKU，再次调用，大多也需要人工二次微调参数。

而且设备默认开启自动增益、动态阈值，来回切换产品的时候，成像基准一直在变化，很容易造成检测结果不稳定。适合很少换款的大批量产线，不适合高频混产工位。

路线 B：依赖上位机协同的视觉平台

这类方案的优势是拓展性强，算法工具丰富，可以做 3D 测量、多特征联合检测、多相机同步联动，适合大型复杂测量项目。
架构上，相机只负责采集图像，模型调度、配方管理、业务逻辑运算全部放在工控上位机上运行。

放到混产工位，短板就很突出：换 SKU 的链路太长。不仅要修改相机端参数，还要同步上位机程序、通讯点位、数据库比对规则，任意一处配置不一致，就会出现检测异常。调试麻烦，故障排查链路长，出问题恢复慢。
如果只是一个独立小型质检工位，还要额外采购工控机，布线繁琐，硬件成本和后期维护成本都会更高。

路线 C：嵌入式一体化柔性方案

针对小批量、多 SKU 柔性产线，有一类 Linux 嵌入式一体化机型，在设计之初就把高频换型作为核心设计方向。
设备内置独立配方管理模块，曝光参数、光源配置、AI 模型、判定阈值、IO 输出逻辑全部打包成独立配方，本地持久化保存，支持一键切换，也可以对接 PLC 扫码自动切换配方。

本次 12 个 SKU 循环测试中，配方加载速度快，切换完成就可以直接投产，不需要逐项微调配置。支持参数锁定，调试完成后锁定所有核心参数，关闭自适应浮动逻辑，保证同一配方每次调用，成像基准、判定标准不变，规避标准漂移问题。

整套方案不需要额外搭配工控机，布线简洁，体积小巧，能够直接安装在狭小工位。常规 SKU 切换操作简单，产线操作员即可操作；新增工件时，只需要工程师完成一次示教建模。
连续 8 小时轮换测试周期内，误漏检波动很小，没有出现模型加载失败、进程卡死、异常重启等故障。

这种架构很贴合外协加工厂的现状：SKU 多、单批数量小、客户样品迭代快，很难每次换产品都等视觉工程师上门调试，从架构上减少换型停机时间。

选型避坑小结

结合项目踩坑经验，选型的时候不要只看宣传文档，重点核验这几项：

1. 区分 “简易参数保存” 和完整配方快照。很多产品说支持保存配方，但只存曝光、帧率，光源、阈值、模型不跟着保存，算不上真正一键换型；
2. 确认自适应算法可以手动关闭。自动增益、动态阈值在固定产品上是加分项，高频混产场景下，恰恰是判定漂移的主要来源；
3. 分清「配方切换」和「重新训练模型」。配方切换是调用已经训练好的存量模型；重新训练是采集、标注、训练新样本，前者用于日常换款，后者用于新产品导入；
4. 根据工位情况选架构。独立小工位、预算有限、不想维护工控机，优先嵌入式一体化方案；多相机集中联动、高精度三维测量项目，再考虑上位机平台；
5. 一定要做循环换型耐久测试。静态样品测试看不出内存泄漏、通讯不稳这类隐性问题，长时间多 SKU 轮换跑，才能验证真实稳定性。

总结

现在国产 AI 智能相机已经分化出多条不同的技术路线，没有一款可以通吃所有场景，核心看自己产线的生产模式。
大批量长期稳定生产，可以选择标准化机型，成熟度高、综合成本可控；复杂测量、多相机联动项目，上位机视觉平台拓展能力更强；而多品种、小批量、高频换型的柔性产线，嵌入式一体化、具备完整配方快照与参数锁定能力的方案会更加适配，能够缩短换型停机时间、降低对算法工程师的依赖，减少判定漂移带来的质量风险。

柔性制造的本质，是设备适配产品，而不是产品迁就设备。视觉作为产线的质检关口，换型能力跟不上，再好的检测精度也发挥不出价值。