一个实用的自动视觉检查系统可以显著降低不良产品的风险，并随着时间的推移降低生产成本。

如果你生产的是精密的小零件，质量会驱动整个制造过程。帮助确保此类产品质量的方法之一是使用被称为机器视觉系统的自动检查系统。机器视觉系统采用计算机视觉技术自动检查零件的许多不同缺陷(例如，污染、划痕、凹痕或因生产中的故障而造成的变形)和规格(主要是尺寸异常)。他们还收集有助于提高制造效率、几何尺寸和公差的数据。最重要的是，考虑到劳动力成本在不同地区差异，自动化检验的成本比手工检验低，回报一般是两年或更少。

然而，实施自动化检查项目之前，企业应该注意以下六个关键因素。

1.每个部分都有自己的解决方案

设计自动视觉检查系统以测试不同的零件类型已被证明是一项艰巨的任务，因为零件几何体可能会被遮挡或阴影可能会隐藏相关区域。这些限制通常是产品设计的结果，因为自动检测不是产品设计过程的一部分。它是通过照明和处理周期时间定义的缺陷规范、照明、分辨率和相机速度帮助获得准确的分析。

如果有可疑的缺陷，操作员有机会再看一遍，而机器却不能。在自动视觉检查系统（AVC）设计过程中，每个产品可能出现的缺陷都必须考虑。即使是相似的零件也有与特定材料或产品设计相关的挑战，因此寻找定制的方法是必要的。

自动视觉检查系统是相机、照明和处理系统的复杂组合，包括一些复杂的图像处理

如果企业正在研究实施自动视觉检查系统进行质量检测，那么从公司最高容量的零件或非常相似的零件（如O形圈）开始，最具商业意义。O形圈检查统可以检查各种不同的部件。配置系统以测试不同类型的O形环的难度较小，因为O形环彼此非常相似并且具有简单的几何形状;因此，使用单个系统可以检查不同的零件类型。

2.尺寸测量和表面检查

一般工厂的自动视觉检查系统分为两种，第一种类型主要用于尺寸测量，第二种类型用于表面缺陷检测。在这两者中，尺寸测量系统是最容易开发的。此外，计算解决方案能力的统计方法（例如，测量系统分析）易于为机器设计，因为可以预先估计自动视觉检查系统的所有内容。通过明确定义零件规格，系统可以识别关键参数，即使零件尺寸具有最严格的公差。一旦这些关键参数被确认，检查系统的就能够开始正确实施，利用计算方法验证了系统照明、速度或相机分辨率等相关参数。

另一方面，表面检查可能非常具有挑战性。有文件说明告诉人类质量检查员在手动检查零件时要检查什么缺陷和尺寸助于自动视觉检查系统的开发。

但是，但这些说明并未为开发自动视觉检查系统程序的软件工程师提供足够的指导。虽然人工检查员可能完全理解这些指令，但软件开发人员需要获得更多信息。

例如，质量指令可能声明某种特定类型的缺陷NG。从字面上理解，这将要求检查系统具有无限的分辨率。不要简单地说NG，开发人员必须提供可量化的缺陷，以便他们能够适应系统设计要求。如果非常小的缺陷是NG的，系统需要能够识别它们，因此需要更高的图像分辨率。

公司经常面临两个挑战:一个缺陷需要发生，并且在它被纠正之前已经被注意到;与计算机交流特定缺陷的特性是很困难的。因此，公司通常对所有领域实施“基本”检查，以便至少有机会发现未知的缺陷。传统上，机器是基于这些缺陷构建的，因为它们已经可用了。一些缺陷预测可能是可行的，但是会增加“伪”废品的风险。

就缺陷的大小达成一致意见可能很困难，因为必须考虑到许多因素。质量工程师必须与设计工程师合作，甚至与机器供应商合作，才能得出合适的指标。

3.缺陷的定义分类

因为定义和分类缺陷是开发过程中非常重要的一部分，质量工程师应该在开始自动视觉检查系统开发之前编写一个缺陷目录。缺陷分类不仅是系统必须能够检测的所有缺陷的列表，而且是在可接受范围内或接近可接受范围的部分的集合。这部分之所以如此重要，是因为系统将通过检查这些部件来进行专门的验证。

如电子表格所示，缺陷目录包括缺陷的类型、缺陷的严重程度、概率以及缺陷的临界大小。所有这些信息都有助于软件开发人员优先检测常见缺陷。

缺陷定义分类是成功自动视觉检查系统项目实施最关键先决条件。

对于每个缺陷，最好至少有两个样本，其中一个是边缘缺陷。根据部件的复杂性，缺陷分类通常有60到100个部件。通常最好有足够多的样本，因为识别不向目录添加知识的部分要比发现重要信息丢失更容易。

开发缺陷目录分类的最大挑战是质量部门和视觉检查系统开发人员之间的沟通。视觉检查系统开发人员需要了解生产过程，质量部门必须了解检查系统的局限性。

例如，质量工程师理解生产工艺过程中的一些术语。但是，必须向视觉开发人员详细描述形状、柔软度和厚度等具体特性，以确保系统能够找到有缺陷的部件而不是拒绝好的部件。根据原因不同，缺陷的不同种类，检测这些缺陷需要不同的方法。

4.系统检查过程

为了可靠地找到特定缺陷，程序必须执行五个步骤：

1.零件定位：程序必须将零件定位在图像中，以补偿处理系统的微小变化。

2.图像分割：程序将图像分割成感兴趣的功能区域。每个区域由一组有限的缺陷和相对于零件的单一功能定义，例如密封唇，外径，顶面等。

3.图像标准化：从图像中删除通常在良好部分中找到的所有内容。这包括设计/功能线和常见的产品变体。这是一个核心功能，因为它将每个新图像与好部件的历史进行比较，并突出显示与此历史的偏差。

4.信号/噪声优化：此时，程序对图像进行过滤，从已知的噪声中提取可能的缺陷。这一步需要考虑特定的缺陷特性，例如暗污染、亮标记和垂直流线。

5.缺陷检测和分类：最后，程序识别可疑区域并分配一个分类值，该值用于通过或拒绝决策。此外，程序会记录部件是否有可接受的缺陷。这些数据可用于在生产问题发生之前防止其发生。

5.确保高质量图像

良好的检查依赖于高质量的图像。在这里，工厂可以通过几件事来确保视觉检查系统产生最佳图像。图像质量通常取决于照明和相机设置，但还必须考虑缺陷类型。其他因素包括减少错误拒绝的数量;保持在所需的周期时间内;并充分利用可用的机器空间。

最佳设置允许检查最小的相关缺陷

例如，工厂可以拍摄工具清洗前后或用不同的工具组制造的零件的图像，以了解工艺变化将如何影响图像质量。通过分析这些图像，并应用其对图像处理软件局限性的知识，该公司将能够提出一个可行的解决方案。软件限制有时意味着公司必须开发更复杂的照明和相机设置。在其他时候，硬件限制增加了程序复杂性或开发时间，或者在某些情况下，意味着你必须忍受比您希望的更多的错误拒绝。

6.大投资=大回报

对于任何公司来说，开发和安装自动视觉检查系统一直是一笔巨大的投资，但这是一项通常可以带来回报的投资。最大的好处是降低了成本，因为自动检测成本低于人工检查。另一个好处是开发定制自动视觉检查系统，可以大大降低执行不良检查和交付缺陷部件的风险。它还可以检测尚未出现缺陷的异常。这些数据可以提醒工程师注意问题，这样他们就可以在有缺陷的零件生产出来之前进行修正。

自动视觉检查系统减少了客户投诉的数量，对于某些零件类型，投诉率可以降至零。随着“智能系统”训练自己如何找到与典型产品不同的部件，这一趋势可能会继续增长。智能系统可以让自动检查系统获得更多的吸引力，因为它们能够降低编程错误的风险，以及实现新解决方案的时间和成本。