过去两年,制造业对AI视觉识别的关注度从“要不要上”迅速转向“怎么选”。产线质检、行为规范识别、安全防护、仓储盘点,几乎每个环节都在被视觉系统重新定义。但一个现实问题摆在面前:算法再强,成像质量跟不上,一切都是空谈。硬件选型,恰恰是这套系统能否落地跑通的第一道关口。
一、核心概念与技术定义
AI视觉识别系统,本质是用工业相机采集图像,通过深度学习模型完成目标检测、分类、分割或行为判断,再把结果输出给PLC、MES或报警装置。它和传统机器视觉的区别在于,传统视觉靠规则和特征工程,AI视觉靠数据驱动,对复杂背景、非标缺陷、变姿态目标的适应能力强得多。
硬件层面,一套完整的AI视觉识别系统通常包含:工业相机(含传感器与镜头接口)、镜头、光源及光源控制器、图像采集卡或边缘计算盒、算力平台(工控机/边缘服务器/GPU模组)、通讯与IO模块。选型不是把这些部件各挑一个“好的”拼起来,而是围绕检测精度、节拍、环境适应性做系统匹配。
二、技术原理与关键能力
相机是选型的第一决策点。面阵相机适合静态或准静态检测,比如零件表面缺陷、字符识别;线阵相机适合连续运动的卷材、带材、圆柱面检测,需要配合编码器同步。分辨率不是越高越好,要按最小缺陷尺寸除以光学放大倍率反推所需像素,再留20%到30%余量。帧率要匹配产线节拍,高速产线选全局快门,避免卷帘快门带来的运动畸变。
传感器类型上,CMOS已成主流,量子效率、动态范围进步明显;但在极弱光或近红外波段,部分场景仍需评估sCMOS或特殊传感器。接口方面,GigE适合中远距离布线,USB3.0适合短距离高带宽,Camera Link和CoaXPress面向高速高分辨率场景,选型时要看采集卡和线缆成本是否被低估。
镜头常被忽视,却直接决定成像边界。远心镜头适合精密尺寸测量,畸变小;FA镜头通用性强,适合大视野缺陷检测;高分辨率相机必须配对应解像力的镜头,否则像素白白浪费。光源是AI视觉的“隐形算法”,环形光、背光、同轴光、条形光解决的是不同对比度问题,频闪控制器还能配合高速曝光压环境光干扰。
算力平台的选择取决于模型复杂度和产线数量。单点轻量检测用边缘计算盒即可;多相机、多工位、高帧率视频流分析,需要GPU边缘服务器或工控机加独立显卡。这里要算清楚一路视频流解码、推理、后处理各占多少算力,别只看TOPS标称值。
三、制造业典型应用场景
假设一家电子厂做连接器外观检测,缺陷包括 pin 针歪斜、塑胶毛边、端子划伤,最小缺陷约0.05mm,产线节拍每分钟300件。这种场景适合500万至1200万像素面阵相机配远心镜头,全局快门,背光加同轴光组合,边缘计算盒本地推理,结果通过IO直接剔除。选型失误常见于用卷帘快门拍运动中的连接器,图像拖影导致漏检。
再看某汽配企业的刹车盘表面检测,工件直径大、表面反光不均,缺陷类型多且边界模糊。这里需要高动态范围相机配漫反射穹顶光,分辨率按缺陷面积反推,算力平台要能跑分割模型而非仅分类模型。如果沿用普通环形光,反光区域会淹没真实缺陷,算法再怎么调也救不回来。
还有一个行为识别场景:某仓储企业要识别叉车司机是否系安全带、是否违规下车。这类应用不追求高分辨率,但对视野覆盖和帧率有要求,200万像素网络相机加广角镜头,边缘盒跑轻量姿态估计模型即可。关键是安装角度和光照补偿,而不是堆高像素。
四、选型要点与实施建议
先定检测目标再定硬件,顺序不能反。把最小缺陷尺寸、视野范围、工作距离、产线速度四个参数写清楚,让供应商按这个出光学方案,而不是先拿相机型号倒推。
环境评估别省。粉尘、水汽、油污、电磁干扰、环境光变化,每一项都影响相机防护等级、光源形式和线缆选型。IP67相机配普通镜头不加防护罩,镜头端照样进水汽。
算力留余量但别浪费。模型迭代、新增检测项、多相机扩展都会吃算力,按当前需求的1.5倍配置比较务实。同时确认软件栈是否支持主流深度学习框架的模型部署,别让算法团队为了适配硬件重写推理代码。
通讯协议要打通。相机触发、结果输出、PLC握手、MES上传,选型阶段就要确认IO模块和协议支持(Profinet、EtherCAT、Modbus TCP等),避免集成阶段再加网关。
从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的产业经验说明一件事:硬件选型的坑,往往不在参数表上,而在场景匹配和系统集成细节里。该系统的价值不在于单个部件多强,而在于相机、镜头、光源、算力、通讯整条链路是否对齐同一检测目标。
五、趋势展望与总结
第一个方向是边缘智能相机。相机内置推理能力,省去工控机和采集卡,适合点位分散、布线困难的场景,但算力和模型灵活性仍有边界,短期内不会完全替代分离式架构。
第二个方向是多光谱与3D视觉融合。2D纹理加3D点云,能解决反光、遮挡、高度差检测等2D难以处理的缺陷类型,硬件成本在下降,选型时值得纳入评估。
第三个方向是硬件与模型的协同设计。相机参数、光源时序、曝光策略不再由硬件工程师单方面决定,而是和算法团队一起按模型输入需求反向定义,这种协同会逐渐成为产线视觉项目的标准做法。
回到一句话:AI视觉识别系统的硬件选型,核心不是买最贵的相机,而是让成像链路匹配检测任务。场景清楚、参数算清、环境摸清,硬件才不会成为算法落地的瓶颈。