l 视觉检测步骤
视觉检测（Machine Vision Inspection）是指通过机器视觉技术获
取被检测对象的图像，并基于图像处理算法进行分析、判断，从而实
现对目标的检测、测量、识别等功能。以下是视觉检测的基本步骤：
一、系统构建与参数设置
硬件选型与布局
相机：根据视野范围、精度要求选择工业相机（如 CCD/CMOS
相机），确定分辨率、帧率等参数。
镜头：选择合适焦距、光圈的镜头，避免图像畸变（如远心镜头
用于高精度测量）。
光源：根据检测对象特性选择光源类型（如 LED 环形光、背光
源）及打光方式（明场 / 暗场），增强对比度。
机械结构：设计稳定的支架或运动平台，确保相机与被测物体的
相对位置固定。
图像采集参数设置
调整曝光时间、增益、白平衡等参数，获取清晰、无噪点的图像。
对于动态检测，需同步触发相机与运动机构，避免图像模糊。
二、图像预处理
滤波去噪
使用高斯滤波、中值滤波等算法去除图像噪声，提高后续处理的
准确性。
增强对比度
通过直方图均衡化、灰度拉伸等方法增强图像的明暗差异，突出
目标特征。
图像矫正
对倾斜或畸变的图像进行校正（如透视变换、径向畸变校正）。
三、目标定位与分割
感兴趣区域（ROI）提取
划定检测区域，减少无关信息干扰，提高处理速度。
分割算法
阈值分割：基于像素灰度值将目标与背景分离（如 Otsu 自适应
阈值法）。
边缘检测：通过 Canny、Sobel 等算子检测目标边缘，结合轮廓
提取确定目标位置。
基于深度学习的分割：使用 U-Net、Mask R-CNN 等模型实现语
义分割或实例分割。
四、特征提取与分析
几何特征
计算目标的面积、周长、长宽比、圆心位置、角度等参数。
纹理特征
提取灰度共生矩阵（GLCM）、局部二值模式（LBP）等纹理特
征，用于表面缺陷检测。
颜色特征
分析 RGB、HSV 等颜色空间的均值、方差，用于颜色匹配或色
差检测。
深度学习特征
通过 CNN（卷积神经网络）提取高级语义特征，适用于复杂场
景下的目标识别。
五、分类与决策
阈值判断
将提取的特征值与预设阈值比较，判断是否合格（如尺寸是否超
限、颜色是否达标）。
机器学习分类
使用 SVM（支持向量机）、随机森林等算法对特征进行分类，
识别缺陷类型（如划痕、孔洞）。
深度学习分类
利用预训练的 CNN 模型（如 ResNet、VGG）进行端到端的分
类或检测（如 YOLO、Faster R-CNN）。
六、结果输出与反馈
数据记录
保存检测结果（如合格 / 不合格、测量值、缺陷位置）到数据
库或日志文件。
可视化展示
在界面上标注检测结果（如框选缺陷区域、显示测量值），生成
统计报表。
自动化反馈
对不合格产品触发报警或剔除动作，与生产线 PLC 系统联动实
现闭环控制。
七、系统优化与验证
参数调优
反复测试不同光照条件、算法参数，提高检测准确率和稳定性。
算法迭代
针对误检 / 漏检案例优化算法（如增加形态学处理、调整分类
阈值）。
精度验证
使用标准件进行多次测量，计算系统重复性和精度，确保符合工
业标准。
典型应用场景
电子行业：PCB 板焊点检测、芯片外观缺陷检测。
汽车行业：零件尺寸测量、装配完整性检查。
食品医药：包装密封性检测、药品外观缺陷筛选。
物流行业：条码 / 二维码识别、包裹体积测量。
总结
视觉检测流程的核心是图像采集→预处理→特征提取→分类决策
→反馈执行，每个步骤需根据具体应用场景选择合适的算法和参数，
以实现高精度、高可靠性的自动化检测。随着深度学习技术的发展，
基于 CNN 的端到端检测方案正在逐渐取代传统方法，提升复杂场景
下的检测准确率。
