视觉检测

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

视觉工程师0706

工业相机选择CCD 还是 CMOS一、先纠正一个误区很多人把 CCD 和 CMOS 当成"新旧替代关系"。其实不是。它俩是两条完全不同的技术路线，各自有自己的主战场。

虾皮与小鱼干色选怎么评估：含水、碎壳和好料带出的记录方法虾皮、小鱼干和干虾仁做色选时，最先要判断的是物料是否适合稳定成像，而不是先追求速度。常见混料包括发黑、发红、透明薄片、碎壳、碎鱼和粉尘，含水变化还会改变虾皮表面的反光。色选机依据颜色、亮度、外形和纹理差异进行分选，颜色差异不等同于材质识别，具体效果必须以真实样品测试为准。建议把原料分成目标成品、明确剔除物和边界样三组，分别记录粒径、含水、粉尘、杂色比例、日产量与目标成品要求。样品如果粘连、堆叠或料层过厚，应先改善振动分散、送料厚度和除尘，再看图像识别。虾皮含水偏高时可先适度摊晾，小鱼干姿态变化大时要尽量

AI_Cloud_推荐

Android集成百度人脸离线SDK实战：从环境搭建到活体检测（附避坑清单）最近接了一个智慧门禁项目，需要在Android平板上实现本地人脸识别。百度人脸离线SDK是常见的选择，但集成过程踩了不少坑：so库加载失败、授权文件路径不对、活体检测黑屏、不同厂商设备兼容性问题……前前后后折腾了3天。

Microvision维视智造

产品尺寸一年一换，视觉系统能跟几次？九点半，客户工艺负责人老赵的手机响了。老板在电话那头就一句话：“下周三，产线切G12R，你那个视觉系统，跟不跟得上？”

C# 图像异步落盘存储：基于Channel 配合 ArrayPool 实现异步落盘做高速视觉的朋友应该都经历过这种场面：相机采集帧率跑得好好的，一开存图功能就开始丢帧。采集线程被存盘操作堵住，新的图像数据来了没地方放，只能扔掉。

C# 图像使用AVX2指令集：使用OpenCvSharp实现字节图像解压缩速度和map_image算子速度提升之前做一个实时图像预处理的项目，800万像素的图，每帧要做解压缩、色彩转换、高斯滤波。一整套流程跑下来要45ms，100fps的相机根本扛不住。

阿瑞斯官方账号

ARCHPD晶圆晶粒计数设备｜半导体晶圆AI视觉自动化计数检测技术方案在半导体6寸、8寸、12寸晶圆量产制程中，晶圆晶粒ink打点后人工显微镜计数是行业传统主流工艺。该人工作业模式存在多重技术弊端：人工目视计数效率极低，无法匹配自动化产线节拍；人工读数主观误差大，常规误差区间达2%-5%，计数数据准确率无法保障；针对微型晶粒、多层复杂结构晶圆图案，极易受晶圆表面反光、晶粒边缘模糊、光影干扰等因素影响，频繁出现漏检、错检问题，直接导致晶圆良率统计失真、生产数据不准，影响整体晶圆生产质控精度。

视觉工程师0706

视觉检测究竟难在哪里机器视觉翻车重灾区：打样完美，上线必崩做视觉检测的人几乎都遇到过同一个诡异问题：打样全过、上线就翻车。实验室Demo测试阶段，设备识别率轻松做到99.9%，参数稳定、效果完美；可一旦正式落地量产产线，立刻出现持续性漏检、高频误报、响应滞后、跟不上生产节拍等各类问题。很多工厂陷入无效整改循环：反复更换高端相机、升级智能算法、追加项目预算、一遍遍微调参数，可核心问题始终原地打转，无法彻底解决。

LUSTER凌云光

工业AI视觉检测系统设计：传统视觉与深度学习如何融合？在工业视觉项目中，一个常见误区是认为：用了AI模型，就等于AI视觉系统。实际上，一个完整的工业AI视觉检测系统，需要解决的不仅是模型问题，还包括成像、数据、算法、软件和自动化。

C#图像夜间识别率提升：使用OpenCvSharp和Halcon融合DeepSORT实现复杂场景下准确识别之前做一个安防项目，夜间监控画面拍出来的图，暗区细节基本没有。YOLO检测白天能跑95%的准确率，到了晚上直接掉到60%多。检测框时有时无，漏检率居高不下。

AI_Cloud_推荐

SpringBoot集成百度人脸识别SDK实战：人脸检测、比对与注册人脸识别在身份验证、考勤打卡、门禁系统等场景中应用广泛。百度智能云提供了人脸识别的Java SDK，封装了人脸检测、人脸比对、人脸搜索和在线活体检测等接口。本文记录在SpringBoot项目中集成百度人脸识别Java SDK的完整过程，包括环境配置、核心代码实现和测试验证。