做了快十年的乳胶手套外观检测从流水线尽头的十几张检验台到现在车间中央那台拖着四组相机来回摆动的Hexagon AI检测站这一步一步的变化现在回头想就像一场浓缩了整个视觉检测行业进化的长跑。家用乳胶手套这行产品形态看着简单一个薄薄的套子但真正做质检的人都知道它背后的坑一点不比精密零件少。针孔、气泡、缺胶、杂质、合模线、印刷偏移、尺码标识错误每一种缺陷都对应着不同的物理成因和光学表现靠人眼翻来覆去看效率和稳定性都有天然上限。这个项目跨度接近十年从最早的人工目检逐步过渡到单相机实验、再到四工位视觉检测系统的稳定量产最后落到Hexagon AI视觉平台上形成完整的缺陷识别和测量闭环。整个过程不光是换了一套设备更是把整个团队的质检思路从头到尾重构了一遍。今天把这十年里攒下来的方案选型、工位设计、参数调试、现场排坑的经验写出来给同样在传统制造里做视觉升级的朋友做个参考。1. 这十年我们到底在跟什么较劲1.1 人工目检的真实工作场景很多人想象的人工目检是质检员拿着产品对着光源转一圈。实际情况要琐碎得多。家用乳胶手套脱模之后表面有一层薄薄的脱模剂残留加上乳胶本身是半透明材质在不同角度光线下呈现出的纹理完全是两回事。早期车间里每位老质检员面前是一个45度倾斜的白色检验台头顶一盏日光灯管还要自己用手把手套撑开、翻转、对着光看。我当时跟线统计过一组数据一位熟练质检员每小时可以检查400到500只手套持续2小时之后速度会明显掉到300只左右而且漏检率会随着疲劳上升。更麻烦的是缺陷判定标准并没有绝对统一。同一只带有轻微气泡的手套早班老师傅认为可以放行晚班新人会直接判废。客户投诉和车间返工因此来回拉锯。那时候最让人头疼的是内表面缺陷。手套外表面可以用手翻开看内表面就难处理了需要将手套充气或翻面才看得见。很多微小的杂质残留和针孔就是在这一道工序里被漏掉的。直到后来做视觉检测我们才知道内表面的缺陷往往藏在手指部位和掌心弯曲区这些地方在平面展开时正好处于高曲率区域普通打光方式根本照不透。1.2 倒逼转型的三个现实推力第一个推力是产能瓶颈。订单量逐年上涨但招到的质检员需要培训至少两三个月才能独立上线老员工又不断流失人工目检成了整个产线最大的瓶颈工位。车间主管每天最怕听到的一句话就是“今天又走了两个人”。培训一个成熟质检员的隐性成本我们粗算过分摊到合格产品的成本上是相当可观的一笔钱。第二个推力是判定标准一致性。人工目检无论如何都会受到个人状态、环境光线、心情甚至上午下午时段的影响。同一个不良品复检人员和初检人员常常有争执。工厂要交付给客户的每一批货都附有检验报告但人工手写的报告上面的数据连我们自己都很难溯源客户验厂时也不太认可。第三推力来自客户本身。随着家用乳胶手套的渠道从线下卖场转向电商平台消费者的退换货反馈越来越直接。用户收到一只有针孔的手套可能在评价里附一张照片这件事就会放大成一个品牌口碑问题。客户开始要求供应商提供自动化的外观检测数据记录甚至明确要求“过程数据可追溯、检测结果可存档”谁有自动化设备谁才有投标资格。这三股力量叠加在一起转型已经不是选择题而是生存题。1.3 人工目检与机器视觉的第一轮对照我们做过一次小规模的对照测试把同一批2000只手套先让三位资深质检员逐一检验再做标记然后把它们放到一台初版的线阵相机检测装置上跑了一遍。结果很有意思机器在杂质、黑点这些规则性缺陷上的检出能力明显优于人工但在气泡和合模线这些低对比度缺陷上基本是瞎的。原因很简单那一版装置只用了单侧正向照明乳胶半透明材质让绝大多数气泡特征都被背景纹理淹没了。人工目检和视觉检测并不是单纯的替代关系而是各有所长。人工在复杂综合判断上依然有优势机器在稳定性、速度和可记录性上则全面碾压。这套判断成了我们之后几年选型的基本出发点视觉系统要解决的不是证明机器比人强而是把人的经验转换成可以重复执行的判断规则并把规则固化在系统里。2. 方案选型为什么绕了一大圈还是选了Hexagon AI2.1 传统图像处理的弯路项目启动之初我们并没有直接选择成熟的AI视觉平台团队里几位搞电气的同事觉得可以先用传统机器视觉工具包做算法验证。那段时间我们试过阈值分割、连通域分析、模板匹配、边缘检测思路也很直接手套在固定工位上拍一张照背景是黑色载物台手套是浅色把灰度差值拉出来缺陷区域自然就出来了。理想很丰满实际一跑就翻车。乳胶手套本身的厚度不均匀不同批次之间颜色深浅也有波动加上脱模剂的残留会在表面形成不规则的油亮斑点传统算法把这些全部判定成了“疑似缺陷”。一张图像上动辄出现上百个报警区域真正需要判别的针孔和气泡夹杂在里面根本没法用规则把两者分开。当时尝试把阈值参数调高结果是真正的微小缺陷也被过滤掉了。再尝试用形态学操作去剥离纹理算力开销上来了产线节拍又撑不住。折腾了大半年团队内部得出一致结论这类半透明柔性材质的外观检测缺陷特征高度依赖光照环境和材质状态传统算法的泛化能力完全不够用。于是开始把目光转向基于深度学习的方法。2.2 为什么最终选择Hexagon AI视觉平台市面上可选择的方向不少开源框架可以自己搭训练环境传统机器视觉品牌也有各自的深度学习模块。我们最终选定Hexagon AI平台有几个比较务实的理由。首先是工具链完整。整个流程覆盖图像采集、标注、训练、验证、部署和运行时数据统计一个平台全包了。现场调试时不需要在训练环境和检测环境之间来回倒腾模型标注好的数据集直接训练出来就可以下发到工位。这一点对车间团队特别重要因为不是每个人都能熟练写训练脚本。其次是它对工业场景的适配程度。平台内置的缺陷检测工具不是那种纯学术的分类模型而是考虑了工业检测的样本特点可以用少量缺陷样本训练同时输出缺陷位置和类别置信度。它还能结合传统的测量工具把“有没有缺陷”和“尺寸合不合格”两类任务放在同一个工位上处理这对我们四工位并行的方案非常关键。最后是售后支持和算力方案。我们评估过开源方案的硬件成本显卡、工控机、交换机、光源控制器全都自己配看起来便宜但现场的稳定性完全靠自己扛。Hexagon AI有现成的工业相机接口、PLC通信协议库和GPU推理模块现场落地要省太多事。而且它的检测结果能自动生成报表和统计图表客户要数据追溯时直接导出不用再自己写上位机页面。2.3 四工位方案的诞生过程人工目检时代一个质检员需要做的事情包括翻面看外观、撑开看针孔、检查印刷标签和尺码、测量尺寸。这些动作全部串行完成一个人测完一只手套大约需要6到8秒。生产线节拍是每1.2秒出一只手套一条线需要5到7个质检员才能勉强跟上。做自动化方案时最初的设想是一台相机通过多个角度拍照解决所有问题。实测下来发现完全行不通一只手套展开后表面积很大手机摄像头级别分辨率的工业相机根本看不清楚指尖部分的细小缺陷要保证图像精度就得用高分辨率相机但高分辨率相机的采集和处理时间又跟不上节拍。就算用两个相机同时拍视野重叠区域的标定和图像拼接也会消耗大量时间。于是我们决定把检测任务拆成四个串并行结合的工位。第一个工位负责外表面缺陷第二个工位负责内部缺陷和针孔第三个工位负责尺寸测量第四个工位负责印刷和标签识别。每个工位都可以独立调整光源、相机和算法而整条产线通过PLC协调节拍。四工位的布局不只解决了节拍问题更重要的是让每一个工位都用最合适的光路和成像方式去匹配它所负责的缺陷类型。3. 四工位视觉检测系统的核心实现与参数3.1 工位一外表面缺陷初筛外表面缺陷是数量最多的一类包括黑点、杂质、气泡、缺胶、合模线和划痕。这个工位的光源方式我们做了很多轮实验最终选定的不是传统的高角度环形光而是低角度环形光也就是让光线几乎平行于手套表面照射。原因在于乳胶手套表面不是理想镜面而是带有一定粗糙度的漫反射表面。低角度入射光会让凸起、凹陷、杂质这些几何特征产生明显的亮度梯度变化而正常的手套纹理在这种情况下呈现相对均匀的灰色。缺陷在图像上就会表现为局部亮点或暗斑和周围背景形成足够对比。相机选了一台500万像素的面阵相机配合低角度环形光源。检测时手套由真空吸盘吸附在旋转载具上相机连续拍摄三张不同角度的照片综合判断缺陷。曝光时间控制在1毫秒以内避免产线振动导致图像模糊。采集到图像后先用平台内置的AI缺陷检测模型跑一遍将缺陷区域框选出来再通过传统的灰度分析工具对框选区域做二次判定过滤掉因手套表面反光造成的误报。这一套组合下来外表面缺陷的检出率稳定在98%以上误检率控制在2%左右误检的手套会进入人工复检通道并不会直接报废所以客户满意度提升非常明显。3.2 工位二透射光下的针孔和薄壁检测针孔是家用乳胶手套最致命的缺陷也是最难检测的。针孔的直径往往只有零点几毫米在反射光下几乎不可见只有在强背光照射下才会形成透光亮点。因此工位二的设计核心是透射光源。我们在载具下方装了一块面阵背光源手套通过气爪平整展开后覆盖在背光板上方。正常区域的光线被乳胶材质遮挡图像呈现均匀的暗色一旦针孔存在光线就会穿透乳胶形成高亮斑点。同时这套光源还能顺带检测薄壁区域因为乳胶厚度不均匀时背光图像中对应区域的灰度也会出现明显差异通过灰度分层计算可以标记出壁厚异常区域。这里的关键参数是光源亮度均匀性和背光板尺寸。光源的均匀性直接影响灰度一致性如果背光板中心亮边缘暗系统会把正常的边缘区域误判为薄壁。我们选用的背光板亮度均匀性做到90%以上并在标定阶段采集一块无缺陷手套的标准灰度图像作为实时检测的灰度基准。对于极细小的针孔只靠单张图像有时会漏掉我们还加了一步图像处理连续抓取两只手套的背光图像做帧间比对把随机噪声和真实透光亮点区分开来。针孔检测工位是整套系统里精度要求最高的环节也是前期投入时间最多的工位。它的成像质量直接决定后段复检的工作量这部分做扎实了整条线的可信度就立住了一半。3.3 工位三尺寸轮廓和形变测量家用乳胶手套虽然不像精密机械件那样要求严苛公差但手掌宽度、手指长度、指间距这些关键尺寸直接影响佩戴体验。尺寸过大容易脱落尺寸过小又勒手客户对每批货的尺寸稳定性有明确的验收区间。这个工位没有用普通面阵相机加人工标尺的做法而是搭配了一台远心镜头。远心镜头最大的特点是能够消除透视变形让图像中的尺寸和实际物理尺寸保持恒定比例不管手套在视场内处于哪个位置测量结果都不会因为摆放偏移产生误差。对于测量精度要求稳定的产线场景远心镜头属于必须的投资。标定过程是这样的将一块标准标定板放置在手套工作面高度通过平台内置的测量工具自动识别标定圆点计算出像素当量也就是每个像素对应的物理毫米数。之后在检测流程里系统提取手套轮廓边缘通过亚像素边缘检测算法计算手掌宽度、手指长度、指尖圆弧半径等特征值再跟预设的规格公差带做比对。实际运行中测量工位的重复精度可以稳定在正负0.1毫米级别。我们还把测量数据和前面的缺陷检测结果做了关联如果发现某只手套的尺寸偏小但同时伴随外表面褶皱系统会优先判定为“脱模不良”而不是简单归为尺寸超差。这样分类能够帮助工艺人员更快定位前道工序的问题。3.4 工位四印刷、标识与追溯信息检测家用乳胶手套的包装上通常有尺码编号、品牌Logo、生产批号和条码信息这些内容虽然不影响使用功能但一旦出现漏印、错印、字符缺失在品牌方验收时就是致命问题。工位四的任务就是把这些文本信息全部自动识别并校验。这个工位使用了同轴光源加中分辨率相机一方面利用同轴光均匀照射标签区域另一方面保持足够的分辨率让字符边缘清楚。检测内容包括几个维度印刷位置是否正确、字符是否完整、特征码是否能被正确读取、以及和数据库中的生产配方记录是否匹配。OCR识别模块是Hexagon AI平台自带的能力刚开始直接跑标准识别模型但在实际标签上总会出现一些特殊字符和带有衬线的字体识别出错的情况。后来我们针对现场的实际标签样式补充了一批标注数据训练了专用的字符识别模型把识别准确率从最初的97%提升到了99.5%以上。批次码和二维码信息则由条码识别工具读取读到的数据会实时发送到MES系统作为每个产品唯一追溯记录的一部分。这个工位还承担了数据汇总的职责。四个工位的检测结果最终汇聚到平台的数据处理模块生成每只手套的检测档案并按照批次统计分析不良率、缺陷类型分布和尺寸趋势。这个过程在人工目检时代是根本不可能实现的客户验厂时看到系统导出的追溯报告信任度完全是另一个层级。4. 落地过程中踩过的几个大坑4.1 半透明材质是打光环节的终极考验四工位方案在纸面上看着很顺真正落地调试时第一个让团队崩溃的是乳胶材质的光学特性。手套不是均匀的半透明体它的厚度因模具位置不同而差异很大指尖部位往往更薄掌心部位更厚。在反射光下这种厚度差异直接表现为颜色深浅不一算法很容易把深色区域当成缺陷。我们前后换过好几套光源方案高角度环光反光严重低角度环光对杂质敏感但会放大手套折叠纹路同轴光的均匀度最好但对比度不足。最后每个工位用了不同的光源组合而且都在镜头前加了偏振片用来过滤掉乳胶表面不规则反射带来的杂散光。加偏振片之前图像里总是隔三差五出现一块亮斑加完之后整个画面的灰度分布立刻干净了一个量级。另一个容易被忽视的问题是光源老化。LED光源使用一段时间后亮度会逐渐衰减而且不是均匀衰减中心区和边缘区的衰减速度还不一样。这会导致同一个缺陷在不同时期拍摄的图像灰度特征发生变化之前训练好的模型可能会突然开始大量误报或漏报。我们在现场建立了一个灰度基准标定流程每天开班前用标准样件采集一次基准图像系统自动校正光源参数确保成像效果始终一致。4.2 缺陷样本稀缺AI模型险些变成“全放行”搭建深度学习检测模型时团队遇到的最大问题不是算法而是数据。家用乳胶手套的良品率通常在97%以上缺陷样品本身就少再按缺陷类别细分每一类的样本量可能只有几百张甚至几十张。用这样的数据训练模型模型会严重偏向于“無缺陷”这个大类把所有图片都判别为良品也可以达到很高的整体准确率但显然完全不是我们要的效果。解决这个问题花了很长一段时间最终靠三个办法叠加第一个是数据增强对已有的缺陷样本做旋转、缩放、平移、亮度扰动让有限样本发挥更多作用第二个是合成缺陷在正常手套图像上通过图像处理算法叠加模拟的针孔和气泡特征扩充训练集第三个是持续迭代把现场复检人员发现的漏检图像定时补充进训练集进行增量训练。数据标注本身也是个很容易低估工作量的事情。最初标注团队按照自己的想法随意圈选差异区域导致算法学到的特征非常混乱。后来我们制定了一个标注SOP明确规定缺陷类型定义、标注框的最小尺寸、模糊样本的处理方式并要求同一个样本至少经过两个标注人员独立标注有分歧的提交给工艺人员仲裁。标准统一之后模型收敛速度明显变快。4.3 节拍咬合和多工位通信的时序问题四工位系统联动调试阶段出现过一个让整个团队最挠头的问题每个工位独立测试时的节拍都在1秒以内但连成整线后总是出现卡料。表象是检测工位已经完成了拍照和算法处理但下一工位的载具还没有到位或者剔除气缸已经把不良品吹走了工位一的相机才触发拍照导致图像采集的产品和实际产品位号对不上。这个问题最终排查下来根因在通信时序的竞争条件上。PLC发送触发信号给相机后并不会等待相机返回“采集完成”信号就直接进入下一段动作流。当相机处理时间偶尔超过设定窗口时整个节拍就会错位。我们改掉了原来的单向触发逻辑让相机每次处理完图像后都通过IO信号向PLC返回一个完成状态PLC确认收到这个状态后才放行下一只手套进入检测区域。同时把四个工位的拍照允许窗口做了时间分片避免相机同时触发导致的工控机资源争抢。这类问题在现场很难通过静态代码检查发现必须依靠长时间的运行日志分析。我们当时保留了每个工位的完整触发时间戳通过对比相邻工位的处理时间差很快就定位到了延迟最大的环节。如果一开始盲改PLC程序可能又要在现场折腾好几周。4.4 车间电磁干扰带来的图像噪声四工位视觉系统上线后的第二个月产线开始出现一种诡异的故障图像偶发水波纹状条纹有时一整天都没事有时一天出现几十次。刚开始怀疑是相机或光源的问题换了设备依然复现。后来发现水波纹出现的时间正好和车间里那台大功率变频器的运行状态高度相关。排查过程一步步往前走先把图像采集卡和工控机都用独立稳压电源供电故障依旧又给相机线和光源线全部换成双层屏蔽线并把屏蔽层做了单端接地故障频率大幅下降但偶尔还有。最终发现是接地回路问题工控机的外壳地和车间动力电的地线之间存在电位差导致视频信号在传输过程中被共模干扰叠加。把所有检测设备的机壳地独立接入车间接地铜排信号线浮空处理之后水波纹彻底消失。这也是给其他做视觉检测项目的同行一个建议现场布线时不要把信号线和动力线走在同一个线槽里地线一定按设备分组独立接驳屏蔽层原则上单端接地。这些看起来跟算法无关的基建细节往往才是影响系统长期稳定运行的真正因素。5. 实际运行数据与经验沉淀5.1 四工位系统量产后的指标变化系统稳定运行半年后再去回看数据整个改善是很直观的。整套四工位检测系统设计节拍是单件1.2秒实际稳定运行节拍在1.4秒左右虽然略低于理论值但已经远远超过人工目检的速度。更重要的是人均质检工作量大幅下降原本一条线需要5到7名质检员现在只需要保留1名复检人员处理可疑品人力成本压力直接解除了。检测质量方面外表面缺陷检出率从人工时代的90%左右提升到了98%以上针孔检出率从不足85%提升到了99.2%。误检率经过半年的持续优化从初期的8%逐步压到0.5%以内误检产品进入人工复检通道确保没有良品被误报废。不良品流出率从之前的千分之三左右下降到万分之三以下这个数字在客户月度评审中表现非常明显。整条产线的自动化程度提高后还有一个隐性收益是数据带来的。以前生产经理问“这批手套为什么次品率高”只能靠老师傅猜是原料问题还是工艺波动。现在可以直接从检测系统的统计报表中按缺陷类型、按机台、按时间段做趋势分析比如发现某个脱模机台的杂质检出数量明显偏高就立刻反查前道工艺问题定位速度比原来快了很多倍。5.2 团队从“会看手套”到“会调模型”的转变这个项目给我最大的感触不是设备本身有多先进而是现场团队的能力结构发生了实实在在的变化。项目刚启动时车间里的质检员对“模型训练”“标注质量”“置信度阈值”这些词是完全陌生的甚至会有抵触情绪担心机器人抢走饭碗。我们没有强行用“自动化取代人工”的角度推动项目而是把质检员的经验当成系统落地的核心资源。让资深质检员深度参与缺陷类型定义、样本筛选和复检规则制定他们的经验被系统完整地吸收和固化之后系统才真正学会了“老师傅眼里的缺陷长什么样”。同时组织标注小组培训时也是从最简单的缺陷框选开始一步一步过渡到评估模型输出、分析误检原因。车间里不少原来只会徘徊在检验台边的同事现在能熟练地打开标注工具、查看模型训练报告、调整简单的检测参数。这个过程对项目成功的作用可能比算法本身还重要。因为视觉检测系统的寿命不在于上线那一刻而在于后续能否持续迭代。没有现场团队的理解和维护任何算法都会随着产品形态变化而快速失效。5.3 这套系统未来的扩展方向目前四工位平台主要服务家用乳胶手套这一个品类但从整个技术架构来看它的扩展空间还很大。丁腈手套、PVC手套、工业防护手套虽然材质特性和缺陷类型不同但成像链路、工位布局和模型训练流程是完全相通的。只需要重新采集数据集调试光源角度和曝光参数同一套硬件平台就能覆盖多个产品线。更进一步的想象空间在于工艺联动。目前检测系统只做判级和剔除后续可以让检测数据实时反馈给配料、硫化、脱模等前道工序形成质量闭环控制。比如当杂质检出率连续升高时系统自动向配料系统发送预警信号当尺寸测量趋势出现偏移时及时提醒模具维护。这样一来视觉系统就从“出口质检员”升级为“过程控制大脑”价值会再上一个台阶。最后一个值得探索的方向是边缘算力的升级。现有系统采用的是集中式工控机处理模式四工位共享一个GPU资源如果未来节拍要求继续提升可以把推理任务分布到每个工位就近的嵌入式算力单元上这样既能降低通信延时也能让单工位算法复杂度再上一个档次。这套四工位架构已经为这种升级预留了足够的改造空间。如果让我把这段经历浓缩成一条经验那就是做视觉检测项目的关键永远不只是模型选得有多新、参数调得有多准而是你对自己要检测的产品理解得有多深。乳胶手套看起来是最普通的日用品但只有真正站在产线前盯着那些半透明材质下的微小缺陷时你才会理解什么叫“简单产品不简单检测”。这套从人工到AI的转型路径回头望去更像是一场认知升级从依赖经验到沉淀经验最终让系统替人完成重复劳动而人去做更有价值的决策和优化。这正是工业视觉最值得投入的地方。