视觉检测

波力海苔夹心脆675

C# 视觉检测实战：PLC 按钮触发 VisionPro 检测，OK 亮灯 / NG 灭灯（西门子 PLC，含界面显示与图片存档）在机器视觉项目里，最常见的一种工作模式是：工人按下按钮（或产品到位），相机拍照、视觉软件判定 OK/NG，再把结果送给 PLC，由 PLC 决定放行还是剔除。本文用一个 WinForms 小项目，演示如何用 Cognex VisionPro 做视觉判定、用 HslCommunication 与西门子 S7-1200 交互，实现「PLC 按钮触发 → 视觉检测 → 结果回写 PLC + 界面显示 + 图片本地存档」的完整闭环。适合有一定 C# 基础、第一次做视觉与 PLC 联调的初学者。

YOLOE 开放词汇检测 + ONNX / TensorRT 推理，开源了！🔥 YOLOE 开放词汇检测 + ONNX / TensorRT 推理，开源了！最近整理并开源了一个 YOLOE 推理项目，重点针对 YOLOE 开放词汇检测（Open-Vocabulary Detection）的工程化部署，实现了 ONNX + TensorRT 推理。

无惧焊接强光与飞溅：Epic Eye Pixel Welding特定工况相机解析焊接，是制造业中基础且苛刻的工艺之一。说它基础，是因为从船舶龙骨到汽车底盘，从桥梁钢构到家电外壳，几乎每一个金属结构件的成型都离不开焊接。说它苛刻，是因为焊接工位同时聚集了工业视觉最怕的几样东西：弧光、飞溅、高温、烟尘。

小体积蕴含大能量：Epic Eye Pixel Mini轻量化相机的应用美学工业自动化领域中长期存在一个难点：越是精密、越是狭小的作业空间，越需要高精度的3D视觉感知；而空间越受限，留给相机的安装位置和负载余量就越小。协作机器人和复合机器人的末端负载通常只有几公斤，每增加一点重量，都会影响运行速度和操作精度。迁移科技的Epic Eye Pixel Mini，正是为破解这一矛盾而生。

CT重建（二） | 3D高斯泼溅：实时渲染的革命仓库：graphdeco-inria/gaussian-splatting（Inria GRAPHDECO 官方实现）论文：3D Gaussian Splatting for Real-Time Radiance Field Rendering（SIGGRAPH 2023, ACM TOG）

工业机器人视觉检测设备

电冷板叠片机：工业机器人协同视觉检测的叠片自动化方案作为新能源汽车热管理系统中电池冷却回路的核心部件，电冷板由多层散热板片交替堆叠而成。叠片工序的精度直接影响冷却通道的密封性与换热效率，而多种型号主板混线生产时，方向识别与层数控制成为品质管控的关键难点。传统人工叠片不仅效率有限，且容易出现主板方向放反、层数遗漏等问题，一旦流至后续工序，轻则返工，重则整件报废。

YOLO数据集集合

水表刻度识别数据集 | 水表读数指针识别关键点检测字符识别 OCR9138期本数据集专注于水表表盘刻度与指针的视觉识别，服务于智能水务管理、自动抄表系统及城市基础设施数字化。数据涵盖水表刻度与指针位置，适配智能读表、远程抄表及计费系统等应用。

一见已难忘

产业AI落地技术解析：边缘部署、工业视觉检测与多传感器融合预警的工程实践（燎原：我看见的智能中国）AI大模型的热潮中，一个被忽视的事实是：真正决定人工智能成败的不是模型参数规模，而是它能否在矿山、港口、工厂等实体经济场景中稳定运行。这些场景的共同特征是——环境恶劣、边缘算力受限、容错率极低、数据闭环要求高。

szxinmai主板定制专家

半导体设备控制器：RK3576+CODESYS+RK182X异构架构，实现晶圆视觉检测与运动联动闭环标签：#RK3576 #RK182X #CODESYS #半导体设备 #晶圆缺陷检测 #运动视觉联动 #EtherCAT #PCIe异构 #工业边缘AI

花生米色选机怎么选：小批量加工先看样品与成品稳定性

小巫山云子

OTF（On-The-Fly）技术详解OTF（On-The-Fly）是一种高速视觉检测技术，其核心思想是：在设备连续运动过程中完成图像采集，而不是采用传统的“运动 → 停止 → 拍照 → 再运动”的 Stop-and-Go 方式。

视觉工程师0706

九点、十二点标定的原理区别、适用场景、完整操作步骤、误差差异在机器视觉机械手对位、视觉定位纠偏工艺中，九点标定和十二点标定是最常用的两种相机手眼标定方式，核心作用是建立相机像素坐标与机械手机械坐标的转换关系，消除安装偏差、视野畸变带来的定位误差。二者核心差异在于标定维度、补偿能力和适用工况，九点标定仅补偿平面平移、缩放、倾斜误差，十二点标定在其基础上新增旋转中心误差补偿，精度和适配性大幅提升，广泛应用于带旋转纠偏的自动化作业场景。

江苏久众新视

SOP-AI视觉检测实战：从“专人专用”到“产线普适”的工程落地分享在工业制造向数字化、智能化深度转型的今天，AI视觉检测已成为提升品控效率、实现流程防错的关键技术。然而，许多企业引入先进的AI视觉设备后，却面临一个普遍困境：设备上线只是开始，真正的难题在于如何让产线人员快速上手、灵活应用，并应对频繁的产品换型与复杂的现场工况。操作门槛高、调试依赖外援、团队能力断层，这些问题往往导致高端设备束之高阁，投资回报率大打折扣。

小巫山云子

相机到主机接口简介相机接口负责将图像数据从相机传输到工业PC、视觉控制器或采集卡。接口的选择直接影响系统的传输速度、稳定性、布线难度和整体成本。

视觉工程师0706

GRR & CRR怎么测GRR：Gauge Repeatability and Reproducibility，量具重复性与再现性简单说：评估你的测量系统（视觉相机 + 算法 + 光源）稳不稳定。拆成两块：重复性（Repeatability，EV）：同一个人，同一个工件，反复测多次，测出来数值波动。代表设备本身的误差。再现性（Reproducibility，AV）：不同人 / 不同工位 / 不同时间，测同一个工件，数值波动。代表人员、环境、工装带来的误差。 GRR = √(EV² + AV²)

多SKU混产视觉换型瓶颈根治：免重教、免重调的德成嵌入式视觉配方架构与工程落地在智能制造柔性升级背景下，多品种、小批量、高频切换的混产模式已成为制造业主流生产形态。但传统工业视觉系统普遍存在换型效率低、复用性差、调试门槛高的工程痛点：每次SKU切换均需重新示教、重新标定、参数重调，不仅占用大量量产工时，还会因人工调试差异导致检测一致性不足，成为制约柔性产线OEE提升的核心瓶颈。本文从工程架构层面，拆解传统视觉换型卡顿的底层原因，详解德成DC-080AI、DC-100系列嵌入式智能相机免重教、免重调、一键换型的技术架构与标准化落地方案。 1、传统视觉换型频繁调试的底层技术缺陷传统分

巡山小钻风来也

【工业异常检测】PatchCore 完整训练实战指南｜Anomalib1.x 从原理、数据集、训练到部署摘要：PatchCore（CVPR2021）是工业界落地非常广的一类异常检测算法，只需要正常样本，不需要缺陷图片参与训练，适合零件缺陷等样本稀缺、缺陷形态不可预知的场景。本文结合 Anomalib，讲解算法原理、环境搭建、数据集规范、完整训练代码、常见报错、模型输出物以及 Triton 部署注意事项。

机器视觉量产参数漂移成因与根治方案：调试稳定量产翻车的工程级锁参策略在工业视觉工程落地中，普遍存在“调试通过率满分、量产稳定性崩盘”的行业通病。大量分体式视觉项目在实验室、试产阶段表现优异，进入批量量产后持续出现误检、漏检、参数漂移问题，需要运维人员反复进场调参，严重影响产线节拍与品质稳定性。究其根本，并非算法精度不足，而是分体架构变量过多、无量产级参数固化机制。本文结合德成视觉DC-080AI、DC-100系列嵌入式智能相机的量产落地经验，从工程底层逻辑拆解参数漂移核心成因，配套德成设备专属的可落地量产锁参、工艺固化、抗干扰优化方案，为工业视觉量产稳定性问题提供标准化解

AI招聘系统架构深度拆解：传统外挂式AI vs AI原生基座的本质差异与潜能边界随着大模型技术渗透，AI招聘系统已经从“单点功能叠加”进入“底层架构迭代”的新阶段。当前国内市场呈现两条泾渭分明的技术路线：一条是以北森、Moka为代表的传统ATS厂商路线——在成熟的流程引擎之上外挂AI功能模块，属于“AI-first”的补丁式升级；另一条是以世纪云猎为代表的新生代路线——从底层以大模型为基座重构系统，多智能体自主驱动全流程，属于“AI-native”的架构级重构。

狭小工位无痕技改方案：零结构改造、不停产落地机器视觉实操在制造业存量产能升级中，老旧狭小工位的视觉自动化改造，一直是工程落地难点。受限于原始机械结构、工装布局、空间尺寸、产能排期，多数老旧产线无法按照新产线标准做分体视觉系统部署，存在改造难度大、停机成本高、落地风险高的问题。本文从工程实操角度，详解零改结构、不停产的狭小工位视觉技改落地方法，提供可复用的标准化落地流程。 1、狭小工位技改的工程痛点分析传统分体式视觉系统由相机、镜头、光源、工控机、支架、多路线缆组成，整体体积大、部署环节多，对安装空间、布线通道、散热环境、调试时间均有较高要求。老旧工位普遍存