机器视觉与AI视觉识别的核心区别在于:机器视觉是“按规则判断”,靠预设算法和特征提取完成定位、测量、检测;AI视觉识别是“从数据里学判断”,用深度学习模型替代人工定义特征,能处理形态多变、缺陷不规则的场景。前者确定性高、可追溯,后者泛化能力强、上手门槛低但需要样本支撑。两者不是替代关系,产线上经常混着用。
一、机器视觉和AI视觉识别到底差在哪
机器视觉这套东西在工业里用了几十年,核心思路是人把规则写好。比如检测一个螺丝孔,工程师先告诉系统“找圆形边缘、直径在8±0.2毫米、圆心偏移不超过0.1毫米”,系统按这个逻辑跑图像处理算法,符合就放行。它的判断依据是几何特征、灰度阈值、模板匹配这些可量化的东西,参数调好之后重复性很好,同一批工件判出来的结果基本一致。
AI视觉识别走的是另一条路。它不靠人写规则,而是拿大量标注过的图片去训练卷积神经网络,让模型自己总结“合格品长什么样、缺陷长什么样”。遇到划痕深浅不一、注塑件毛边形状每次不同的情况,传统机器视觉很难用一套阈值覆盖,AI模型反而能给出一个概率判断。代价是需要样本、需要训练、需要接受“输出是概率而不是确定值”这件事。
二、两者的技术原理和关键能力有什么不同
机器视觉的关键能力集中在尺寸测量、位置引导、字符读取和规则明确的表面检测。典型参数包括分辨率(工业相机常见500万到2000万像素)、精度(配合远心镜头可做到微米级测量)、节拍(取决于曝光和算法耗时,规则算法通常在几十毫秒级)。它依赖光源设计,环形光、背光、同轴光选对了,图像质量才有保障。通信上多走GigE Vision、USB3 Vision,和PLC对接常用Profinet、EtherCAT这类工业协议。
AI视觉识别的关键能力是分类、目标检测和语义分割。它输出的不是“合格/不合格”的硬判决,而是置信度分数,工程上要再设一个阈值来卡。分辨率要求不一定更高,但对样本多样性要求高——同一类缺陷要覆盖不同角度、不同光照、不同批次。训练和推理可以分开部署,推理端用GPU或带NPU的边缘盒子,单帧耗时从几毫秒到几十毫秒不等,看模型大小。它和MES、SCADA的集成通常通过OPC-UA或Restful接口传结果和图片。
三、制造业里这两类技术各自用在哪
假设一家汽配企业做刹车片外观检测。传统机器视觉可以干的是尺寸测量、孔位偏移、字符OCR,这些规则清楚、边界明确。但刹车片表面摩擦材料的纹理差异、轻微色差、细小裂纹,规则算法很难穷举,这时候AI视觉识别更合适——用几百张良品和不良品图训练一个分类模型,产线节拍稳定的话可以做到在线判断。
再假设某电子厂做SMT贴片后的AOI复判。机器视觉负责焊点定位和偏移量计算,AI视觉识别负责把“疑似虚焊、连锡、立碑”这些形态多变的缺陷分出来,减少误报。这里常见做法是两级串联:规则算法先粗筛,AI模型再精判,兼顾节拍和准确率。
还有一个场景是装配防错。零件颜色、形状、朝向对不对,传统视觉用模板匹配能解决固定姿态的工件;如果来料姿态随机、堆叠上料,就需要AI做目标检测加姿态估计。这类应用对光照一致性要求高,强反光金属件要额外做光源评估。
四、选型和落地要盯住哪几个问题
第一个常被问的是“我这条线该上哪种”。判断依据其实简单:缺陷形态能不能用几句话写清楚、样本够不够。规则能写清楚、来料一致性好的,机器视觉更稳;缺陷形态说不清、批次差异大的,再考虑AI。别为了AI而AI。
第二个是硬件配置。机器视觉吃镜头和光源,AI视觉吃算力和样本。AI推理端如果放在产线边缘,要看有没有GPU或NPU,散热和粉尘防护要符合车间条件;相机分辨率不是越高越好,够用就行,太高反而拖节拍。
第三个是集成方式。两类系统最终都要和产线控制层对接。机器视觉常用I/O触发加PLC信号,AI视觉识别多一层结果回传,走OPC-UA或数据库写入MES。实施前要把触发时序、NG品剔除逻辑、图片留存策略定清楚,否则上线后扯皮。
第四个是实施周期和成本构成。规则视觉项目周期短,主要成本在光源镜头选型和现场调试;AI项目周期长在样本采集和标注,前期要留出收集不良品图片的时间。常见误区是拿几十张图就训练模型,泛化能力不够,上线后误报率下不来。
第五个是环境边界。强反光、高变型、油污遮挡的工况,两类技术都要额外评估。AI不是万能,样本里没出现过的缺陷类型它照样漏。
五、这套判断适合哪些场景、不适合哪些
适合的场景:产线节拍稳定、来料一致性较好、缺陷定义能落到图像上的工序,比如3C结构件外观、汽配表面检测、电子组装后的AOI复判、包装字符和标签核对。这类场景下机器视觉和AI视觉识别可以组合使用,规则保底、AI补漏。
不适合直接套用的场景:来料姿态完全随机且无治具约束、缺陷样本极少无法采集、强反光或高粉尘导致成像质量不稳定、节拍要求低于十毫秒级的超高速检测。这些情况要先解决成像和工况问题,再谈算法选型。
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、覆盖国内外市场的行业经验看,产线视觉方案的成败往往不在算法本身,而在光源、触发、样本和现场工况这些“脏活”上。选型时把边界条件问清楚,比比较模型参数更有用。