机器人质量检测：为什么覆盖率是难点

机器人质量检测将计算机视觉与机器人相结合，由机器人引导相机、工件或传感器通过预先规划的一系列视点。当固定相机无法拍摄到所有要求的表面、产品几何形状各异，或者检测需要在没有大量固定相机阵列的情况下覆盖多个侧面时，该技术非常有用。

Ultralytics YOLO 可以在自定义检测技术栈中提供检测、分割、分类、姿态估计或追踪功能。来自 Cognex、Keyence、MVTec、Zebra 和 Teledyne 的工业视觉套件提供了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型检测工作流程。最适合的选择取决于组织需要的是打包的检测产品、工业开发环境还是可定制的模型层。

机器人检测软件选项#

厂商名称代表起点而非已验证的性能。每个选项都需要使用具有代表性的零件、缺陷、速度、表面和机器人路径进行试运行。

机器人何时能改善视觉检测#

机器人可以带来以下几大优势：

• 单个传感器可以捕获多个侧面或角度。
• 视点和工作距离可以通过程序进行重复。
• 相机可以接近固定工位无法窥见的空腔或特征。
• 检测配方可以随产品变体而更改。
• 零件可以在受控光照前进行旋转。
• 视觉结果可以映射到机器人姿态或产品坐标中。

代价是系统复杂度增加。机器人运动会带来节拍时间、标定、线缆布线、碰撞风险、运动模糊、同步以及更多故障模式。如果单一固定视角就能解决质量问题，则无需使用机器人。

在产品坐标中定义检测要求#

列出必须检测的每个表面和特征、最小的相关异常、可接受的公差范围、无法访问的区域以及要求的判定结果。将每个需求映射到计划的视图和成像方法。

使用覆盖率表：

这使盲区变得可视，同时也分离了模型的观测结果与下游应用的质量规则。

统筹规划视图与运动#

检测路径规划必须平衡覆盖率、图像质量、机器人工作范围、防碰撞间隙、线缆限制和节拍时间。记录每个视图的相机姿态、焦距、曝光、照明状态、机器人速度和采集触发信号。

在运动对成像方法而言控制得足够稳定时进行采集。停下再抓取的路径较为简单，但可能会拉长节拍。在运动过程中触发可以提高吞吐量，但这需要能防止模糊的照明和曝光，以及图像与机器人姿态之间准确的同步。

在预热、更换工具、维护和预期振动之后验证重复精度。如果相机安装在机器人上，微小的机械位移即使在模型保持不变的情况下也可能使观察区域发生偏移。

标定相机、机器人和产品#

系统可能需要处理三种关系：

• 相机内参和镜头特性。
• 相机到机器人或相机到工具的变换矩阵。
• 工装或机器人坐标系中的产品姿态。

标定允许将图像中定位的缺陷报告到正确的产品表面或物理区域。定义验收测试，存储标定版本，并指定触发重新标定的事件。

对于柔性工装，注册步骤可能需要先定位产品或参考特征。切勿仅凭机器人指令的姿态就想当然地认为被检测表面在图像中的位置无误。

选择计算机视觉任务#

对于整体状态较少且受到严格控制的视图，使用分类。当必须将故障或组件定位为边界框时，使用检测。当缺陷的形状和面积重要或边界不规则时，使用分割。对于几何特征和配准，使用姿态或关键点。对于清晰、确定性的边缘和标定的尺寸，传统测量工具可能仍然是首选。

混合系统可以对几何形状使用传统视觉，对可变外观使用学习型模型。目标是实现可验证的检测，而非最大化机器学习的使用。

Ultralytics Platform 支持 Ultralytics YOLO 工作流的数据集标注、训练、模型对比和部署。按产品、表面、视图、光照、机器人路径和缺陷类型组织数据集，以便评估能够反映完整的检测配方。

跨视图融合结果#

每个捕获的图像都应包含单元标识符、配方、视图标识符、机器人姿态、时间戳、模型版本和标定版本。应用程序将视图级别的观测结果汇聚为单元级别的结果。

显式处理重复观测。从两个角度可见的划痕不应自动变成两个缺陷。相反，不同视图之间的分歧可能暗示存在反光、遮挡、标定误差，或是需要人工审核的复杂异常。

至少保留三种状态：通过、失败、审核/不可用。当视图缺失或图像质量较差时强行判定通过或失败会埋下隐患。

验证覆盖率、检测与判定#

区分三个问题：

1. 覆盖率： 配方是否获取了每个必需区域的可接受图像？
2. 检测： 视觉方法是否识别出了相关的可见状况？
3. 判定： 规则和工作流是否做出了正确的单元级决策？

使用放置在表面各处及覆盖边缘的有代表性的缺陷进行测试。包括具有正常外观变异、污染、反光、工装变更和修复特征的优质产品。按生产批次或时间分割评估，以防几乎相同的捕获画面在训练集和测试集之间泄漏。

运营指标包括漏检缺陷、误拒率、审核率、不可用视图、节拍时间、人工干预、标定失败以及事件诊断时间。按产品、表面、缺陷和视图报告结果，而不是只报告一个聚合指标。

与质量系统集成#

检测结果应映射到受控的判定结果，例如通过、审核、返工或拒收。记录原因和配方版本。与单元身份以及质量或制造系统集成，确保结果归属于正确的产品。

根据用途和策略限制保留的图像。一些组织仅保留失败或抽样的单元；其他组织则需要更广泛的可追溯性。在生产前定义规则，包括访问权限和删除策略。

安全与恢复#

机器人运动必须保持在经过验证的机器人及单元安全系统控制之下。学习型视觉不应被作为保护性控制手段，除非它是经过适当设计和评估的安全功能的一部分。

针对图像丢失、触发失败、相机不可用、视图无法到达、标定错误、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图仍然有效，哪些必须重新采集。