制造业自动化缺陷检测：平台对比

最好的缺陷检测系统，是能在生产线上稳定识别所需缺陷的系统，而不是模型功能列表最长的系统。相机位置、镜头、光照、工件摆放方式和周期时间，决定了软件能否获得可用图像进行分析。

对于拥有成熟自动化团队的制造商，Ultralytics YOLO 模型提供了一种灵活、以软件为先的定制缺陷检测方案，可搭配客户自行选择的相机和计算设备。Cognex 和 Keyence 等集成式供应商更适合希望将工业硬件、软件和现场支持整合为一个系统的买家。Landing AI、Overview 和 Instrumental 则各自处于这两种模式之间的不同位置。

自动化缺陷检测平台对比#

供应商按字母顺序列出，并非排名。Ultralytics 发布了这份对比，也列在其中，因此排序刻意保持中立。

这不是一个适用于所有情况的排名。集成式相机系统和模型平台是两种不同的采购选择。在比较功能之前，先确定工厂能够支持哪种运营模式。

集成式系统还是以软件为先的平台？#

集成式工业视觉供应商会提供一套已验证的组合，包括相机、照明、控制器、软件和支持。这能减少集成中的不确定性，并让工厂在工作站发生故障时只需联系一家供应商。

以软件为先的平台让工程团队能够更灵活地控制模型、相机和计算设备。它适用于混合硬件环境和特殊缺陷，但买家需要负责图像采集、部署、监控以及与生产流程的对接。

如果工厂重视标准化、供应商支持和可重复的工作站设计，就选择集成式视觉方案。如果缺陷需要定制学习、必须复用现有硬件，或者组织希望控制不同边缘设备上的部署，就选择以软件为先的方案。

Cognex#

最适合。 希望从成熟供应商处获得工业视觉硬件和软件的工厂。

优势。 Cognex 提供广泛的工业视觉生态系统，涵盖相机、读码器和检测软件。对于希望获得有支持的系统，而不是围绕模型自行组装组件的工厂而言，它是理想的候选选择。

权衡。 买家需要在专有生态系统内开展工作。为了获得支持和标准化，这可能是值得的取舍，但与开放式软件技术栈相比，内部 ML 团队的控制权会更少。

买家测试。 要求供应商在工厂的实际光照、速度和产品差异条件下，证明系统能检测出最小的目标缺陷。不要接受使用不同材料或静止样品进行的演示。

Instrumental#

最适合。 希望将视觉证据与更广泛的质量调查相结合的复杂制造运营。

优势。 Instrumental 定位于制造质量分析，为团队提供调查生产各环节问题的方式，而不只是根据单台相机的结果判定合格或不合格。

权衡。 只需要一个确定性的检测工作站的工厂，可能并不需要更全面的质量平台。在与以相机为中心的系统进行比较之前，先明确采购问题的范围。

买家测试。 在平台中回溯调查一个真实的质量漏检案例，并确认需要哪些数据才能找到原因。

Keyence#

最适合。 希望获得完整、面向应用的视觉系统和供应商直接支持的制造商。

优势。 Keyence 将相机、控制器、光学元件、照明和软件整合为一套方案。如果应用符合系统支持的工作流，这能缩短建立可重复检测工作站所需的时间。

权衡。 硬件和软件的选择彼此绑定。希望混用相机、加速器和定制训练基础设施的团队，应权衡这一限制与支持服务带来的好处。

买家测试。 要求在实际生产线上进行验收测试，并记录最终光学配置。使用不同镜头或灯光的同一个模型，不能算作相同的检测系统。

Landing AI#

最适合。 希望通过引导式平台创建定制检测模型，而不想自行构建完整 ML 工作流的制造团队。

加入候选名单前请注意：Landing AI 已转向文档和智能体 AI 领域，其检测产品线目前处于维护状态，不再是重点。ABB Motion Ventures 于 2025 年投资该公司，以将其视觉 AI 引入 ABB 机器人，因此这项能力仍有发展路径，但请直接询问其工厂检测路线图方面的承诺。

优势。 Landing AI 与工业视觉检测密切相关，并让模型开发更易上手。当流程专家需要直接参与数据审核和错误分析时，它会很有用。

权衡。 引导式平台并不能免除部署要求。不要只看界面是否易用，在选择之前，要确认目标相机、边缘运行时、更新流程和集成路径。

买家测试。 向生产专家提供含义模糊的样本，并衡量工作流能多快将他们的判断转化为经过验证的模型版本。

Overview#

最适合。 寻求以生产线质量为核心的成套检测方案的制造商。

优势。 Overview 将检测打造成一套成套工作站：相机、照明和软件一并交付，重点在于生产线部署，而非模型开发。这一较窄的定位减少了训练好的模型与生产工作站需求之间的转换工作，也适合希望由供应商负责整个检测单元的工厂。

将 Overview 自身的文档作为依据，确认具体信息后再将其列入候选名单：与 Cognex 或 Keyence 相比，我们为该供应商收集到的证据较少，因此请将以上描述视为起点，而非规格说明。

权衡。 应根据工厂的产品组合、地理位置和支持要求，评估专用系统是否适用。适用于某一类检测，并不代表它适合广泛的平台需求。

买家测试。 要求提供多个产品变体以及初始设置中未包含的缺陷类型的检测表现。

Ultralytics Platform 和 Ultralytics YOLO#

最适合。 构建定制缺陷检测模型，并将其部署到自选硬件上的工程团队。

优势。 Ultralytics Platform 将数据集标注、模型训练、评估和部署工作流整合在一起。Ultralytics YOLO 支持目标检测、分类和分割，团队可以据此判断缺陷需要类别标签、位置还是像素级区域。模型可以导出，以便部署到不同的运行时和硬件目标上。

权衡。 Ultralytics 并不是开箱即用的检测单元。制造商或集成商负责相机、镜头、照明、外壳、触发器、边缘计算机以及与生产系统的连接。Cognex 和 Keyence 拥有数十年的工业检测部署经验、现场支持网络和车间信誉，而以软件为先的新入局者不具备这些条件；如果工厂已将长期合作的供应商列为标准，选择这类供应商是合理的。

买家测试。 使用最难区分的合格样品和缺陷样品搭建试点，然后在目标边缘硬件上以生产线速度运行模型。将 Ultralytics 制造业解决方案和缺陷检测用例作为起点，而不要将其当作生产线试运行的替代方案。

让模型任务与缺陷相匹配#

分类判断整张图像或裁剪图是否合格。当零件的呈现方式一致，且无需定位缺陷时，使用分类。

目标检测通过边界框识别并定位缺陷。当操作人员或下游自动化需要知道问题出现的位置时，使用目标检测。

分割在像素级标记缺陷区域。对于不规则划痕、涂层、表面污染，或需要根据面积和形状进行测量的情况，使用分割。

任务越精细并不意味着效果一定越好。分割标签比图像类别更费工，而边界框可能足以支持判定是否剔除。选择能够支持实际操作的最简单任务。

图像质量优先于模型质量#

在团队比较模型之前，试点应先确定图像采集方案。需要控制以下因素：

• 相机距离和角度；
• 视野和最小可见特征；
• 镜头和焦距；
• 曝光和运动模糊；
• 照明方向、强度和颜色；
• 反光和背景；
• 零件位置和方向；以及
• 触发时序。

如果采集的图像无法区分合格零件和缺陷零件，增加训练也无法解决问题。应更改成像设置或传感方式。

制定生产验收测试#

创建能够代表生产线、而不是销售演示数据的验收集。应包含：

• 范围内的每种产品变体；
• 必须触发操作的最小缺陷；
• 可接受的外观差异；
• 不同班次、批次和材料表面处理；
• 清洁和脏污的夹具；
• 启动、稳定运行和高速运行状态；
• 已知的难处理反光和阴影；以及
• 来自每个目标站点的样例。

测量漏检缺陷、误剔除和端到端决策时间，并分别报告。单一准确率可能掩盖最重要的错误。

在目标硬件上运行测试，并将其接入实际的剔除或复核工作流。离线测试通过、却无法跟上生产线速度的模型，不是可用于生产的解决方案。

规划上线后的变化#

缺陷检测系统需要反馈闭环。保存不确定的预测和已确认的错误，与工艺专家一起复核，并将最有价值的样例加入带版本管理的数据集。

每次更新前：

1. 使用固定验收集进行验证。
2. 将新模型与已部署模型进行比较。
3. 在目标硬件上测试延迟和资源使用情况。
4. 先在有限的工位或班次中推出。
5. 监控误剔除和漏检缺陷。
6. 保留回滚方案。

即使模型文件没有变化，照明、相机或产品几何形状发生变化时，也应触发重新验证。