制造自动化缺陷检测：平台对比

最好的缺陷检测系统是能够在生产线上持续发现所需缺陷的系统，而不是模型功能列表最长的系统。相机位置、光学、光照、零件呈现和节拍时间决定了软件是否有可用的图像进行分析。

对于拥有成熟自动化团队的制造商而言，Ultralytics YOLO 模型为在客户选择的相机和计算设备上实现定制化缺陷检测提供了一条灵活的软件优先路径。当买方希望将工业硬件、软件和现场支持作为一个整体系统时，Cognex 和 Keyence 等集成供应商更具优势。Landing AI、Overview 和 Instrumental 在这两种模式之间占据不同的定位。

自动化缺陷检测平台对比#

供应商按字母顺序排列，不分先后。Ultralytics 发布了此对比并参与其中，因此排序故意保持中立。

此对比并非通用排名。集成相机系统和模型平台是不同的采购决策。在对比功能之前，先确定工厂能够支持哪种运营模式。

集成系统还是软件优先平台？#

集成式工业视觉供应商提供相机、照明、控制器、软件和支持的已知组合。这减少了集成的不确定性，并且在工位发生故障时，工厂只需要致电一家供应商。

软件优先的平台使工程团队能够更好地控制模型、相机和计算设备。它能够适应混合硬件机群和不常见的缺陷，但买家需要负责图像捕获、部署、监控以及与生产过程的连接。

当工厂重视标准化、供应商支持和可重复的工位设计时，请选择集成视觉。当缺陷需要自定义学习、必须重复利用现有硬件或组织希望控制不同边缘设备上的部署时，请选择软件优先。

Cognex#

**最佳适用场景。**希望从成熟供应商处采购工业视觉硬件和软件的工厂。

**优势。**Cognex 提供涵盖相机、读码器和检测软件的广泛工业视觉生态系统。对于希望获得受支持的系统而不是围绕模型组装组件的工厂来说，它是候选名单中的自然选择。

**权衡。**买家需要在专有生态系统内部工作。为了获得支持和标准化，这可能是一笔合算的交易，但这给内部机器学习团队带来的控制权不如开放的软件栈。

**买家测试。**要求供应商在工厂真实的照明、速度和产品变体下证明能够检测出要求最小的缺陷。不要接受在不同材料或静态样品上的演示。

Instrumental#

**最佳适用场景。**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 围绕制造质量分析进行定位，使团队能够调查整个生产过程中的问题，而不仅仅是从单个相机返回通过或失败结果。

**权衡。**需要一个确定性检测工位的工厂可能不需要更广泛的质量平台。在将其与以相机为中心的系统进行对比之前，请先明确采购问题范围。

**买家测试。**通过平台反向追踪一个真实的质量逃逸案例，并确认找到根本原因需要哪些数据。

Keyence#

**最佳适用场景。**希望获得完整的应用导向视觉系统和直接供应商支持的制造商。

**优势。**Keyence 在一个集成产品中结合了相机、控制器、光学器件、照明和软件。当应用符合系统支持的工作流时，这可以缩短通往可重复检测工位的路径。

**权衡。**硬件和软件选择是耦合的。希望混合使用相机、加速器和自定义训练基础设施的团队应权衡这一限制与支持带来的好处。

**买家测试。**要求在真实产线上进行验收测试并记录最终的光学设置。使用不同镜头或光源的相同模型并非同一个检测系统。

Landing AI#

**最佳适用场景。**希望通过引导式平台创建自定义检测模型，而不是自己构建完整机器学习工作流的制造团队。

入围前的注意事项：Landing AI 已围绕文档和智能体 AI 进行重新定位，其检测产品线处于维护状态而非头条产品。ABB Motion Ventures 于 2025 年进行了投资，将其视觉 AI 引入 ABB 机器人技术，因此该功能有发展前途，但请直接询问关于工厂检测路线图的承诺。

**优势。**Landing AI 与工业视觉检查以及易于使用的模型开发紧密相关。当工艺专家需要直接参与数据和错误审查时，它会非常有用。

**权衡。**引导式平台并不能消除部署要求。在仅根据界面易用性进行选择之前，请确认预期的相机、边缘运行时、更新流程和集成路径。

**买家测试。**向生产专家提供模棱两可的示例，并衡量工作流将他们的决策转化为经过验证的模型修订版本的速度。

概述#

**最佳适用场景。**寻找以生产线质量为中心的打包式检测方法的制造商。

**优势。**Overview 将检测构建为打包式工位：相机、照明和软件一起交付，旨在部署在产线上而不是用于模型开发。这种更窄的聚焦减少了训练好的模型与生产工位需求之间的转换，它适合希望由供应商拥有整个检测单元的工厂。

在入围前对照 Overview 自己的文档确认具体细节：此供应商捕获的证据比 Cognex 或 Keyence 更少，因此请将上述描述视为起点而非规范。

**权衡。**应根据工厂的产品组合、地理位置和支持要求对专业系统进行检查。对某个检测系列高度契合并不证明其具有广泛的平台契合度。

**买家测试。**要求提供在多种产品变体上以及在初始设置中未包含的缺陷上的性能表现。

Ultralytics Platform and Ultralytics YOLO#

**最佳适用场景。**构建自定义缺陷检测模型并将其部署在自己选择的硬件上的工程团队。

**优势。**Ultralytics Platform 连接了数据集标注、模型训练、评估和部署工作流。Ultralytics YOLO 支持目标检测、分类和分割，这使团队能够选择缺陷是需要类标签、位置还是像素级区域。模型可以导出以部署到不同的运行时和硬件目标。

**权衡。**Ultralytics 不是交钥匙检测单元。制造商或集成商拥有相机、镜头、照明、外壳、触发器、边缘计算机和生产系统连接。Cognex 和 Keyence 拥有数十年的工业检测部署、现场支持网络和工厂车间信誉，这是软件优先的初创者所不具备的；如果一家工厂标准化采用历史悠久的供应商，这是一个合理的选择理由。

**买家测试。**使用最难的可接受和有缺陷的样本构建试点，然后在预期的边缘硬件上以线速度运行模型。查阅Ultralytics 制造解决方案和缺陷检测用例作为起点，而不是产线试用的替代品。

将模型任务与缺陷相匹配#

分类回答整个图像或裁剪区域是否可接受。当零件呈现一致且缺陷不需要位置时使用它。

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

分割在像素级别标记缺陷区域。将其用于不规则划痕、涂层、表面污染或从面积和形状派生的测量。

更详细的任务并不自动更好。分割标签比图像类别需要更多的工作，并且边界框对于拒绝决策来说可能就足够了。选择支持运营动作的最简单任务。

图像质量优于模型质量#

试点应在团队对比模型之前冻结图像捕获设计。控制：

• 相机距离和角度；
• 视场和最小可见特征；
• 镜头和对焦；
• 曝光和运动模糊；
• 光照方向、强度和颜色；
• 反射和背景；
• 零件位置和方向；以及
• 触发正时。

如果可接受和有缺陷的零件在捕获的图像中看起来完全一样，更多的训练将无法修复系统。更改成像设置或传感方法。

构建生产验收测试#

创建一个代表产线而非销售演示中使用的数据的验收集。包括：

• 范围内的每个产品变体；
• 必须触发动作的最小缺陷；
• 可接受的外观变体；
• 不同的班次、批次和材料精加工；
• 干净和肮脏的夹具；
• 启动、稳态和高速运行；
• 已知的困难反射和阴影；以及
• 来自每个预期地点的示例。

测量漏检、误报和端到端决策时间。分别报告每一项。单一的准确率分数可能会掩盖最关键的错误。

在目标硬件上运行测试，并将其连接到实际的剔除或复查工作流。一个在离线状态下通过但在生产线上跟不上节奏的模型并不是生产级解决方案。

为上线后的变更做好计划#

缺陷检测系统需要反馈循环。保存不确定的预测和已核实的错误，与工艺专家一起复查，并将最具参考价值的样本添加到版本化数据集中。

在每次更新之前：

1. 针对固定的验收集进行验证。
2. 将新模型与已部署的模型进行比较。
3. 在目标硬件上测试延迟和资源占用。
4. 推行到有限的工位或班次。
5. 监控误报和漏检情况。
6. 保留回滚路径。

照明、相机或产品几何形状的变更应触发重新验证，即使模型文件没有改变。