何谓图像检测是什么？从原理、种类、优点到AI应用及导入步骤，为您彻底解析

本文将全面解析正在制造现场加速普及的图像检测技术，从基本原理、系统构成、检测种类、导入优势与注意事项、AI 应用前沿、各行业应用案例，到规避失败的导入流程与选型指南进行详尽说明。
在人手短缺日益严重、品质要求不断提高的背景下，本文专为正在考虑从目视检测转向自动化视觉检测的生产技术负责人、制造部门管理者而写。通过阅读这篇文章就能把握全局、确定下一步行动”为目标。
最后，我们将介绍Facilea这款无需编程、通过拖放操作即可轻松且低成本构建图像检测系统的软件，并结合实际应用案例进行说明。

何谓图像检测？定义与工作原理，及与目视检测的区别

供初次了解图像检测的读者快速掌握整体概况的入门章节。本节将连贯说明“图像检测的定义”、“工作原理”及与“目视检测的差异”，为后续内容奠定基础。

图像检测的定义及其在制造业中的作用

所谓图像检测，是指利用工业相机与图像处理软件，自动判定产品外观、形状是否合格的检测方法。可以简单理解为：由相机（眼睛）和控制器（大脑）组成，将人工目视检测自动化的系统。

图像检测可广泛应用于外观检测、尺寸测量、位置检测、条码读取等多种检测工序，在制造业的品质管理中承担着核心作用。近年来，在汽车零部件、电子设备、食品、医药等众多行业，导入应用不断推进，从“依赖人眼的检测”转向“依靠机器视觉的自动检测”这一转变正在加速。

图像检测系统的基本构成由以下3要素组成：①成像单元（相机、镜头、照明）、②处理单元（控制器或PC）、③判定单元（软件）。通过组合这些部件，能够实现人眼无法捕捉的微小缺陷检测，以及高速生产线上的全检。

图像检测的基本工作原理

图像检测的处理流程可分为4个步骤。

步骤1：拍摄

通过相机和照明对工件（检测对象）进行拍摄。照明的选型对检测结果影响极大，详情请参阅 “图像检测系统的构成要素”。

步骤2：预处理

这是对拍摄所得的图像进行去噪、对比度增强、二值化等预处理，以优化图像质量的步骤。该工序的优劣，会极大影响后续检测处理的精度与稳定性。

步骤3：检测处理

这是对预处理后的图像，根据检测目的应用相应检查算法的步骤。关于具体的方法（基于规则型、AI型），将在“AI图像检测与传统型（基于规则）的区别与使用区分”中详细说明。

步骤4：判定输出

根据检测处理结果进行合格与否判定，并反馈至生产线的最终工序。不良品将被自动剔除，检测数据则会被保存下来，用于质量追溯。

图像检测与目视检测的区别

从6个维度整理了图像检测与目视检测的区别。不仅展示了图像检测的优势，也客观呈现了目视检测独有的长处。

对比维度	图像检测	目视检测
检测速度	△ 对定型缺陷可实现高精度检测。对微小、非定型异常检测能力较弱	〇 可检测细微异常与意外缺陷
稳定性	〇 可24小时按照统一标准进行判定。无波动	△ 受检测员的熟练度、身体状况、专注力影响
检测速度	〇 可通过高速处理实现在线全数检查	△ 依赖人工的处理速度。以抽样检测为主
成本结构	△ 需要初期投资，但长期运行可降低成本	△ 无需初期投资，但会持续产生人工成本
人的依存度	〇 依赖度低（可自动运行）	× 依赖度高（必须确保检测员并进行培训）
灵活性	△ 仅限预先设定的检测项目	〇 可应对未知缺陷与意外异常

重要的不是“哪一个更优秀”，而是“如何区分使用”这一视角。现实可行的解决方案是，根据检查对象进行分工：量产产品的定型检测采用图像检测实现自动化，试制品或小批量多品种的特殊检测则通过目视应对。

图像检测系统的构成要素

本节将讲解支撑图像检测系统的硬件与软件基础知识。只要掌握"需要哪些设备、各自发挥什么作用"，后续的导入步骤、选型方法等章节也能更轻松理解。

相机与镜头

用于图像检测的相机，大致可分为：面阵相机”适用于静止、间歇输送场景“和线扫相机”适用于高速、长尺寸物体检测“。

面阵相机可一次拍摄获取二维图像，适用于静止物体或间歇输送产线的检测。而线扫相机采用连续采集一维线图像的方式，在高速输送和长尺寸物体检测中优势明显。

像素数的选择，基本是从”想要检测的最小缺陷尺寸“反向推算。例如，要检测0.05mm的缺陷，需要达到要求精度5倍左右的分辨率，因此必须将视野和相机像素数设计为每像素对应0.01mm以下。

镜头的基本选型方法，是根据工件尺寸和安装距离来确定焦距。若用于尺寸测量等高精度需求场景，也可选择远心镜头。另外，相机的连接接口主流是GigE Vision和USB3 Vision，通过GenICam标准，确保了来自200多家厂商的设备之间的互操作性。

照明

在图像检测行业中，普遍认为“照明决定了检测效果的80%”。

照明类型	特点	适用场景
同軸落射照明	通过半透镜实现与镜头光轴同轴照射	用于镜面、光泽面的伤痕检测及晶圆检测
背光照明	从工件背面照射，形成轮廓剪影	外形寸法測定、異物検出
穹顶照明	以相机轴为中心呈环状排列。照射均匀	用于曲面、带有凹凸的产品外观检测
低角度照明	从低角度进行斜向照射，使划痕凸显出来	表面划痕及凹痕检测

除了照明选型，为防止环境光变化导致精度漂移，安装遮光箱或遮光罩也是不可或缺的。照明环境的控制，也是影响系统导入后长期稳定运行的关键因素。

图像处理软件、控制器

图像检查系统的“大脑”，是执行检测算法的软件和控制器。

软件的选择主要有两种主流模式：①使用制造商提供的专用软件，②利用开源库进行自主开发。此外，CKD还提供了不属于上述①②的可视化编程型无代码工具“Facilea”，即使不具备编程知识，也可搭建图像检测系统，作为一种新的选择备受关注。

控制器是指用于高速执行相机图像采集和检测处理的专用硬件或PC。近年来，随着PC性能提升，使用通用PC替代专用控制器的案例也已十分普遍。

图像检测的类型

图像检测会根据检测目的，存在多种不同的检测方法。在此，将分为几个主要类别，对各自的特征和适用场景进行梳理。

外观检测（伤痕、污渍、缺损、异物检测）

这是制造业中需求最高的检测类别。可检测表面划痕、污渍、缺损、裂纹、异物混入等缺陷。照明的方式会极大地影响检测精度。

尺寸测量、位置检测、对位

尺寸测量是对工件的外形尺寸、孔径、间距等进行自动测量的检测。位置检测则是在组装工序中确认部件安装情况、验证标签粘贴位置、检查连接器插针有无等，用于判断“应有的物品是否处于应处的位置”。两者的共同点是：均以基准值为参照，对偏差进行数值化管理。

文字、代码读取/颜色检测/三维检测

字符、代码读取，通过确认印刷内容的正确性以及对条形码、二维码进行质量等级检测，承担着确保可追溯性的基础作用。颜色检测是利用彩色相机和色彩空间转换（RGB→HSV等），来判断色调和光泽均匀性的方法。三维检测通过激光位移计或3D相机，捕捉焊锡量、树脂成型品的翘曲等高度方向的缺陷。

AI图像检测与传统的（基于规则）的区别和使用区分

图像检测的分析方法，正从由人工设定数值基准的“规则基础型”，扩展到由计算机自主学习的“AI型”。近年来，人们更重视并非二选一，而是根据用途合理选择与组合使用。

基于规则的图像检测

这是由人工预先定义检测规则（阈值、条件式）的方式。其特点是使用二值化、Blob分析、模式匹配、边缘检测等算法，判定依据明确，可解释性高。适用于尺寸测量、有无确认、条码读取等定型检测，处理速度快，少量样本即可启动；但缺点是对工件旋转、照明变化的适应性较弱。

AI（深度学习）图像检测

通过学习良品图像与不良品图像，自动学习“正常 / 异常”模式的检测方式。可通过热图将异常部位可视化，因此也可用于确认判定依据。也可适用于基于规则型难以处理的复杂外观检测，但检测精度受学习数据的质量与数量影响较大。因此，导入的关键在于：同时收集良品与不良品样本，并进行事前验证。此外，也存在仅使用良品图像进行学习的“异常检测”方式。

图像检测的优点与缺点

图像检测并非万能。在决定是否导入时，正确把握“什么方面、如何得到改善”以及“哪些方面无法实现”这两个方面至关重要。以对比结构整理优点与缺点，为读者提供可结合自身情况判断的参考材料。

优点	① 可按统一标准24小时稳定检测，实现检测精度稳定。
	② 通过从抽样检测转为在线全检，实现质量稳定化。
	③ 通过检查员的重新配置，实现人力成本削减和缓解人手不足。
	④ 通过积累检测图像与数值数据，提升可追溯性并加速工序改善。
	⑤ 可在夜间、节假日运行，实现生产能力提升。
缺点	① 检测灵敏度调高则过检增多，调低则漏检增多，存在阈值权衡问题。 前提是需要现场与品质保证部门就允许范围达成一致。
	② 受外界光线、工件个体差异、照明设备老化等影响，会产生精度漂移。 可通过安装遮光箱、预处理校正、定期更新基准图像来应对。
	③ 熟练检查员的“综合判断”难以仅靠图像检测本身来重现， 因此并非完全替代，而是采取人与机械分工协作的方式，才是现实可行的解决方案。

成功导入的步骤与设备的选择方法

图像检测的导入并非 “采购即完成”，从明确目标定义到落地稳定运行，走完这一整套流程，才是成功的关键。

导入5步骤

图像检测的导入，通常按以下步骤推进。

步骤1：目标定义与现状分析

首先明确“检测对象”、“检测精度”、“节拍时间”，从这三点开始推进。需要定量掌握现有目视检测存在的课题（漏检率、检测时间、人工成本）。

步骤2：事前验证（PoC）

使用实际工件进行拍摄测试和照明测试，以判断检测的可行性。

步骤3：系统设计・规格制定

这是确定相机、镜头、照明、控制器、软件组合的步骤。请不要忘记考虑安装空间和环境条件（温度、振动、粉尘）。

步骤4：安装・调试・量产验证

在安装到实际生产线后，在实际生产条件下验证检测精度和稳定性。通过微调阈值，抽检不合格品来确认判定精度。

步骤5：开始运用/建立维护体制

该阶段需建立维护体制，保障设备稳定运行：包括照明、镜头定期清洁、检测参数复核、异常情况处理流程等内容。

设备选型要点

设备选型最核心的一点，归根结底在于“自己是否能够操作”。

①请勿仅凭样本参数，而应基于在自己公司工件上的验证结果（实测值）来判断精度和速度。

②是否配备了无需专业知识即可进行设置/调整的UI/UX（如无代码、可视化编程等），也将成为一个重要的选型标准。

③必须判断检测逻辑是否没有成为黑箱、公司负责人是否能够调整阈值，即使脱离供应商也能持续自主运行的设计。

④需确认厂家是否具备全程支持能力，例如是否提供测试环境、上线后的技术支持体系等，这些都是选型时需要核实的要点。

图像检测的应用案例

CKD公司提供的图像处理可视化编程工具“Facilea”，是一款无需编程、通过拖拽即可构建图像检测系统的软件。

线束排列检测

这是通过图像检测自动判断多色线束导线排列的应用案例。以往的人工目视检测，存在因漏检导致不良品流出的问题，通过基于颜色识别的自动化检测，成功防止了不良品流出。此举还消除了在后工序电气检测中的返工情况，为整个检查工序的效率提升做出了贡献。Facilea的优势在于，只需通过拖拽放置颜色识别模块，即可搭建检测逻辑，即使不具备编程知识，也能在短期内完成导入。

QR码读取检测

该案例实现了对产品上打印的QR码读取精度与校验的自动化。通过使用Facilea 的1D/2D码读取模块，实现了高速产线上的全数检测。由于无需另外准备专用的读取设备，在Facilea上即可完成从相机拍摄到代码校验的一体化设置，因此能够以低成本在短时间内完成导入。

压力表的测量值判定

通过图像识别读取模拟压力表的指针位置，实现测量值自动判定的案例。以往由检验员目视读取指针位置，但通过图像检测自动化后，消除了读取偏差，实现了检测的标准化。在Facilea中，通过组合角度测量和位置检测模块，无需复杂编程即可构建指针读取的自动化。

总结

图像检测是一项从根本上变革制造业质量管理的技术。针对人手不足、品质要求提升、成本压力这三大结构性课题，图像检测提供了稳定精度、实现全检、数据驱动持续改善的本质解决方案。

重点在于，不应将图像检测狭隘地理解为“目视检测的替代方案”，而应从“整个质量管理流程优化”的视角去看待。 希望通过基于规则与AI的区分使用、合适的组件选型以及分阶段导入的方式，构建出最适合自身生产现场的图像检测系统。