机器人质量检测：覆盖范围为何最难保证

机器人质量检测将计算机视觉与机器人结合，由机器人按照预设视角移动相机、零件或传感器。当固定相机无法看到所有必检表面、产品几何形状存在差异，或检测需要覆盖多个侧面而又不适合安装大量固定相机时，这种方案很有用。

Ultralytics YOLO 可在定制检测技术栈中提供检测、分割、分类、姿态估计或跟踪功能。Cognex、Keyence、MVTec、Zebra 和 Teledyne 的工业视觉套件提供成熟的工具和硬件生态系统。Landing AI 和 Robovision 等视觉平台则强调可配置的学习式检测工作流。最佳选择取决于组织需要的是成套检测产品、工业开发环境，还是可定制的模型层。

机器人检测软件选项#

供应商名称只是起点，并不代表性能已得到验证。每种方案都需要使用具有代表性的零件、缺陷 s、速度、表面和机器人路径进行试验。

机器人何时能提升视觉检测效果#

机器人可以带来多项优势：

• 一个传感器即可拍摄多个侧面或角度。
• 可以通过程序反复复现视角和工作距离。
• 相机可以深入固定工位无法观察的空腔或特征部位。
• 检测配方可以随产品型号变化。
• 可以在受控照明下旋转零件。
• 视觉结果可以关联到机器人位姿或产品坐标。

需要权衡的是系统复杂度。机器人运动会增加周期时间、标定、布线、碰撞风险、运动模糊、同步难度，以及更多故障模式。如果固定视角就能回答质量检测问题，就不需要机器人。

以产品坐标定义检测要求#

列出所有必须检测的表面和特征、最小相关异常、可接受的变化范围、不可达区域以及所需的处置方式。将每项要求对应到计划采用的视角和成像方法。

使用覆盖情况表：

这能让盲区显现出来，也能将模型的观测结果与下游应用的质量规则区分开来。

统筹规划视角与运动#

检测路径规划必须兼顾覆盖范围、图像质量、机器人可达性、碰撞间隙、线缆限制和周期时间。为每个视角记录相机位姿、焦距、曝光、照明状态、机器人速度和拍摄触发条件。

当运动受到充分控制，能够满足成像方法的要求时再拍摄。停下拍摄的路径很简单，但可能会延长周期。运动过程中触发拍摄可能提高吞吐量，但需要采用能够避免模糊的照明和曝光设置，并确保图像与机器人位姿精准同步。

在预热、工具更换、维护以及预期振动后验证重复性。如果相机安装在机器人上，即使模型仍然可用，微小的机械偏移也可能改变观测区域。

校准相机、机器人和产品#

系统可能需要建立以下三种关系：

• 相机内参和镜头特性。
• 相机到机器人或工具的变换关系。
• 产品在夹具坐标系或机器人坐标系中的位姿。

校准可以将图像中定位到的缺陷映射到正确的产品表面或物理区域。定义验收测试、保存校准版本，并明确哪些事件会触发重新校准。

对于柔性装夹，可能需要先通过配准步骤定位产品或参考特征。不要认为仅凭机器人指令位姿，就能确定被检表面在图像中的位置。

选择计算机视觉任务#

对于视角严格受控且整体状态类别较少的情况，使用分类。需要将故障或部件定位为框时，使用检测。缺陷形状和面积很重要，或边界不规则时，使用分割。对于几何特征和配准，使用姿态估计或关键点。对于清晰、确定性强的边缘和经过校准的尺寸，传统测量工具可能仍是更好的选择。

混合系统可以用传统视觉处理几何问题，并用训练模型处理外观变化。目标是实现可验证的检测，而不是尽可能多地使用机器学习。

Ultralytics Platform 支持 Ultralytics YOLO 工作流中的数据集标注、训练、模型比较和部署。按产品、表面、视角、照明、机器人路径和缺陷类型组织数据集，让评估能够反映完整的检测方案。

融合多个视角的结果#

每张采集的图像都应包含单件产品标识符、方案、视角标识符、机器人位姿、时间戳、模型版本和校准版本。应用会将各视角的观测结果汇总为单件产品的检测结果。

明确处理重复观测。从两个角度都能看到的划痕，不应自动计为两个缺陷。反过来，不同视角之间的结果不一致，可能意味着存在反光、遮挡、校准误差，或遇到了需要复核的疑难异常。

至少保留三种状态：通过、不合格和待复核/不可用。视角缺失或图像质量较差时，强行判定通过或不合格会带来隐性风险。

验证覆盖范围、检测结果和处置方式#

将以下三个问题分开考虑：

1. 覆盖范围：检测方案是否为每个必检区域采集了合格图像？
2. 检测：视觉方法是否识别出了相关的可见状况？
3. 处置：规则和工作流是否对单件产品作出了正确判定？

在各个表面和覆盖边界处布置具有代表性的缺陷进行测试。测试中应包括外观存在正常差异的良品、污染、反光、夹具变化和修复过的特征。按生产批次或时间划分评估数据，避免近乎相同的图像同时进入训练集和测试集。

运营指标包括漏检、误拒、复核率、不可用视角、周期时间、人工干预、校准失败和事件诊断耗时。按产品、表面、缺陷和视角分别报告结果，而不只是报告一个汇总值。

集成到质量体系#

检测结果应映射到受控的处置方式，例如通过、复核、返工或拒收。记录处置原因和方案版本。与单件产品标识以及质量或制造系统集成，确保检测结果对应正确的产品。

根据用途和政策限制图像留存。有些组织只保留不合格产品或抽样产品的图像；另一些组织则需要更全面的可追溯性。投产前应明确相关规则，包括访问权限和删除方式。

安全与恢复#

机器人运动必须始终处于经过验证的机器人和单元安全系统管控之下。除非学习型视觉属于经过适当设计和评估的安全功能，否则不要将其描述为保护性控制措施。

为图像缺失、触发失败、相机不可用、视角不可达、校准错误、模型超时和机器人故障设计恢复机制。恢复后，确保系统知道哪些视角仍然有效，哪些视角必须重新采集。