工业质检场景对检测精度与节拍的要求日益严苛，传统人工目检在微米级缺陷面前已力不从心。瞳门科技（北京）有限公司基于多年智能科技与视觉科技积累，针对金属件划痕、表面字符缺陷、装配错位等典型问题，推出了一套从相机选型到算法部署的完整方案。核心思路是：以光源特性匹配缺陷类型，以分辨率与FOV（视场角）决定检测极限，再通过算法优化实现稳定输出。

一、硬件选型参数与配置步骤

首先明确检测精度需求。例如检测0.02mm的划痕，需选用500万像素以上工业相机，搭配远心镜头消除透视畸变。光源选择上，环形光适合平面字符识别，同轴光擅长高反光表面，背光则用于轮廓测量。具体配置建议如下：

• 相机：优先全局快门CMOS，帧率不低于30fps，适配高速流水线。
• 镜头：远心镜头（放大倍率0.3x-1x）或高倍定焦镜头（焦距25mm-50mm）。
• 光源：LED多角度组合，色温控制在4000K-6500K，并配数字控制器调节亮度。

实际部署时，需先搭建光学测试平台，用标准样件标定相机参数。瞳门科技（北京）有限公司的视觉研发团队建议：将待测工件置于视野中心，调整光源入射角度至缺陷对比度最大，再通过影像技术采集多组图像验证算法鲁棒性。

二、算法配置与常见问题规避

算法层面，推荐采用深度学习结合传统视觉的混合策略。针对字符缺陷，用OCR模型（如CRNN）识别；对划痕、脏污，则用基于ResNet的分类网络。注意，训练数据需包含至少2000张正负样本，且缺陷样本占比不低于30%，否则模型易过拟合。

1. 漏检率高：尝试增加光源亮度或改用偏振片消除反光干扰。
2. 误报频繁：调整模型置信度阈值至0.85以上，并增加NMS后处理逻辑。
3. 节拍不达标：将检测区域ROI缩小至关键区域，或使用TensorRT加速推理。

常见问题中，光源衰减与相机散热往往被忽视。LED光源连续工作超5000小时后光强下降约15%，需定期校准；工业相机在密闭机箱内温度超60℃时，噪点显著增加，必须加装散热风扇或水冷系统。

总结而言，一套高可靠性的机器视觉检测系统，依赖对光学、算法、硬件的协同调优。瞳门科技（北京）有限公司在智能识别与科创赋能领域持续深耕，通过定制化方案帮助客户将产线缺陷率从3‰降至0.1‰以下。未来，随着AI边缘计算与3D视觉的融合，质检系统将具备更强的小样本学习能力与自适应调节特性，这是视觉科技演进的重要方向。