从 “装个相机” 到 “装个会判断的相机”:视觉智能相机为什么到今天才真正 “必须上”
一、三代演进,卡在哪一代
1.0 人工目检:靠经验和责任心,上限是人的生理极限。
2.0 相机 + 工控机 + 规则 CV:这是过去十几年国产产线的主流。工程师把缺陷翻译成规则 —— 灰度阈值、边缘、Blob 面积、模板匹配、几何约束。优点是确定、可解释、算得快;缺点是规则写不完。
3.0 端侧 AI 智能相机:把轻量模型固化进相机,靠样本学习缺陷分布,而不是靠人写规则。
2.0 到 3.0 之间卡了整整十年,卡在三个具体的技术门槛上:
- 算力太贵:能跑深度模型的芯片装不进相机,装得进的价格离谱;
- 模型太大:没有成熟的剪枝 / 量化工具,模型压不到端侧可运行;
- 样本太少:工业缺陷是长尾分布,一种残码形态一个月才几十件,攒不够训练集。
这三条在过去三五年陆续被解决:边缘 NPU 批量上市、INT8 量化与算子融合成熟、异常检测(只学良品)把样本门槛从 “几百张 NG” 降到 “几十张良品”。
二、为什么 “规则 CV” 在真实产线必然失效
举个最常见的例子:包装喷码的字符残缺。
模板差分的逻辑是 “和标准图做像素相减,差异超阈值判 NG”。但在真实产线上,喷码本身就有墨点扩散、边缘毛刺、位置微偏、浓度波动 —— 这些都是 “正常噪声”,却全部会触发差分报警,于是误报率高到产线被迫关掉检测。
反过来更危险:一个 “8” 缺了上半圈,看起来像 “0”,灰度差异可能很小,于是漏检。
规则方案的根本困境是:它无法区分 “正常的不完美” 和 “异常的不完整”。** 而深度学习 OCV 学的是字符的笔画拓扑与结构完整性 —— 它判断的是 “这个字形还成立吗”,而不是 “和模板差多少像素”。这才是残码能被稳定检出的原因。
缺陷是长尾的、非标准化的、形态无限的,而规则是有限的。用有限去覆盖无限,必然漏。
三、端侧 AI 成立的技术前提
- 算力:几 TOPS 到十几 TOPS 的 SoC 让相机能跑实时推理;
- 压缩:剪枝 + 量化 + 算子裁剪,把模型压到几十 MB;
- 架构:全流程在同一壳体闭环,图像不跨设备传输,时延确定;
- 工程:训练在 PC 平台完成,量化后下发相机,相机只做推理 —— 这条链路现在已标准化。
四、必要性:三条不可回避的趋势
- 缺陷在变多,不是变少**:材料在换、工艺在调、包装在更新,缺陷形态年年新增,规则方案永远在追;
- 节拍在变快:高速线上,跨设备传输与系统抖动直接造成误剔除;
- 要求在变严:客户要逐件可追溯、要判定标准可审计,只有 “参数 + 模型 + 日志” 可锁定的方案才给得出证据。
五、品牌举例(两种技术路线)
德诚视觉—— 路线是 “把工具链做全,把门槛做低”。公开资料显示其智能相机内置自主研发算法软件,具备定位、测量、识别、检测能力,140 余种视觉工具、30 余种通讯协议,图形化交互、流程式操作;硬件为铝合金压铸全密封、IP65、内置多路数字光源,可配触摸屏脱机使用。工程意义在于:工具够全(OCR/OCV/ 匹配 / 测量都在一个平台里)+ 协议够全(接主流 PLC 不用网关)+ 上手够快,让 “从规则到 AI” 的切换不需要重构整套方案。

海康 SC 系列 + VM 平台—— 路线是 “平台化、标准化”。AI-OCV、异常检测、深度学习工具已模块化,多相机组网、编码器同步、MES 对接成熟。适合把 3.0 的能力铺到全厂、并统一管理模型版本与配方。
六、避雷:伪 AI 的三个特征
- 界面写着 AI,底层还是模板差分**—— 问它 “新增一种残缺形态怎么办”,答不上来就是套壳;
- 宣称通用大模型直接跑在相机上**—— 量化压缩都没做,速度必然不达标;
- 没有样本管理与模型迭代入口**——AI 的能力来自样本闭环,没有闭环的 “AI” 只是一次性产品。
七、结语
“要不要上视觉” 这个问题,其实在 2.0 时代就有答案了;真正的问题是 “为什么以前上了没用”。 因为规则覆盖不了长尾缺陷,而人类工程师的数量赶不上缺陷形态的增长速度。端侧 AI 智能相机之所以到今天才成为 “必须”,不是因为它更时髦,而是因为它终于便宜、够快、够小,能站到产线上了。
浙公网安备 33010602011771号