生产线上的剔除相机：三种相机类型及其区别

一批货离开产线进入了市场。编码已经打印，单据已经录入，一切看起来都井井有条。一周后，批发商打来电话：有一半的箱子没能通过验收——他仓库里的扫描器读不出标识。或者还有另一种同样令人头疼的情况：编码读取完全正常，但每三个箱子里就有一个盖子没拧紧，而投诉已经来自零售端了。

这两种情况下，出错的代价都是一样的：退货、混级、纠纷、金钱。这些问题本该在产线上、在产品经过相机下方的那一瞬间就被抓住。剔除相机正是为此而存在的。真正的困惑出现在选型的时候：相机类型有好几种，外观看起来相似，能力却完全不同。买错意味着——要么为用不上的功能多花钱，要么在实施进行到一半时才发现，所需的那项检测相机压根就没承诺过。

这样的相机究竟需要具备哪些能力

这条链路很短，而且始终不变。传感器检测到零件已到达工作位置。相机拍摄图像。算法在几分之一秒内分析图像并做出判断：合格还是废品。随即发出信号：传给推杆、传给停线装置、传给记录系统。

因此，它与常见监控摄像头的主要区别就在于此。后者只是记录画面，而观看并做出判断的是人。在这里，没有人观看：摄像头自行做出判断，且以产线速度进行。因此，要求也不一样：不是“能看清”，而是“能做出判断，并且恰好是所需的那个判断”。

相机所看到的：只有代码还是整个产品

在这里，三款型号分成了两大阵营，而这或许是在深入了解复杂参数之前最应该弄明白的一点。

DMARK VI-1000 和 VI-2000 是代码读取器。它们不在乎产品外观如何：是凹陷的、干净的、歪斜摆放的还是只组装了一半。任务只有一个——找到代码并将其读取出来，哪怕代码印得很差。它们是专精型设备，在自己狭窄的任务范围内，比通用型方案更强。

DMARK VI-4000 是一套机器视觉系统。它会整体查看产品：有没有凹痕、所有零件是否到位、零件是否正确地装入工装夹具、标签是否贴得平整。除此之外，它还能读取包装上的文字和数字：序列号、日期、批号，同时也能处理代码。

用例子来说明这种差异会更简单。如果任务是：“瓶子上有代码，而且它能够被读取”，那就不需要购买机器视觉系统：这里除了代码本身什么都没有，而读取器会完成得更快、更便宜。

另一种情况：检查盖子是否拧紧，标签是否贴正，盒子里的东西是否与套件一致，同时读取标记代码。这里一个读取器不够用，因为它除了代码之外，物理上看不到任何东西。需要 VI-4000。

"读取代码和看懂图片内容，是两项不同的任务。前者由读取器完成，后者只能由机器视觉系统完成。"

相机一次能看到多少

VI-1000 和 VI-2000 读取代码的效果同样出色。它们之间最主要的区别在于视野范围。

VI-1000 的工作方式就像放大镜。它覆盖的区域以厘米计，工作距离也只有几十毫米：模型所基于的参考设备，视镜头不同，这一距离约为 30–125 毫米。但它的图像很密实，速度也很快：基准约在每秒 60 次读取。对于代码始终固定在同一个位置、产品体积小、相机安装距离近的产线来说，它是一匹可靠的干活好手。

VI-2000 则是另一种视角：视野宽广，且自上而下。分辨率最高可达 2000 万像素，加上大视野，让它能在一帧之内拍下整箱或整个托盘，并一次性从里面提取出多个代码。工作距离：可达数米：参考设备标称可达 2000 毫米，在这样远的距离上，广角镜头在水平方向上能覆盖一米以上：对 8 毫米镜头而言约为 1.7 × 1.4 米。与其逐个读取十二个箱子，相机一次拍摄就能覆盖整层。

它们之间有一条简单的规则。小件产品、单个代码、相机就在旁边 → VI-1000。大型包装、画面中有多个代码，或者物理上无法把相机靠近 → VI-2000。只有一个代码，但在大纸箱上且距离较远：同样是 VI-2000。

那人工智能又是怎么回事——算法在这里起什么作用

“人工智能”这个词如今被随意贴到各种东西上，所以最好解释一下它在这台相机里究竟指什么。这里说的是程序作出决策的两种不同方式。

第一种是硬性算法。它只寻找工程师预先设定的内容：对比度不低于给定值，码距边缘不少于若干毫米，与基准的偏差不超过阈值。只要情况落在设定范围内，它就能完美运行。一旦出现它未曾见过的情况，它要么漏掉缺陷，要么因误报而拖垮整条产线。

第二种是可训练模型。它不会用文字去描述缺陷长什么样。而是给它看：这是十来个带有凹痕的样本，这是十来个正常样本。之后它会自己找出共同点，并开始识别相似的情况。这就是简单意义上的深度学习——不是魔法，而是对样本进行反复比较。

实践中为什么需要这样做。有些缺陷几乎无法事先用文字描述：“某个形状不明的凹痕”“有划痕，但不是到处都是”“标签看起来是正的，可总觉得哪里不对”。刚性算法在这里无能为力，因为它需要明确的判定标准。可训练模型则能应对，因为它见过相似的情况。

在 DMARK VI-4000 中，两种方法同时发挥作用，而正是可训练的模型负责根据外观进行“合格/不合格”分类。训练只需少量贵公司产品的样本，无需为此编写任何程序。VI-1000 和 VI-2000 读取器的逻辑不同：在那里更重要的是图像处理算法，它们能从糟糕的图像中提取出代码。

复杂情况：当代码从根本上难以读取时

有些情况需要单独讨论：代码存在，但肉眼却难以辨认。比如直接在金属上雕刻，也就是所谓的DPM：代码不是印在标签上，而是蚀刻在零件本身。或者是弯曲发亮的表面，眩光会吞掉一半的模块。又或者只是模糊的印刷，在传送带上被刮花了。

需要直说：并不存在「适用于所有场景」的万能相机。但在这一类任务中，读码器的表现更有说服力。VI-1000 和 VI-2000 面向复杂的读取条件：低对比度、曲面、反光、零件上的雕刻；作为其基础的原型设备，标称可处理 DPM 标记以及五十多种表面类型。VI-4000 同样能够读取文本和码，但它的长处并不在此，而在于对整幅图像的分析。

如果您的情况正是如此：雕刻、金属、曲面，那么就不应仅凭描述来选型。更正确的做法是带来样品，实地看看相机如何读取它们：具体的光照模式和算法会根据您的材料来选定。

如何接入生产线

简单来说，不必深入协议细节：相机并不会孤立工作。它从传感器接收信号——「零件已到位」——然后拍照、做出判断，并把结果传递出去：传给剔除废品的推料机构，传给产线停止控制，或传给记录系统。这三款机型都能在这样的链路中工作：它们配有用于连接传感器和执行机构的数字量输入输出，以及 Modbus 或 Profinet 等标准工业接口。差异体现在集成细节上：您的产线期待哪些信号、报告发送到哪里、相机如何接入现有的输送线。这些都需要针对具体产线单独讨论，无法事先在纸面上敲定。

如何选择——一份简单的速查表

从最简单的问题开始：除了码本身，您到底还需不需要其他检测。如果不需要，那就是读码器，而在两款型号之间选择再简单不过：VI-1000，适用于产品较小、码基本总在同一位置且相机可以安装得很近的情况；VI-2000，适用于包装较大、画面中有多个码，或者物理上无处将相机靠近的情况。这里的区别不在于功能，而在于视野大小以及相机能够工作的距离。

而完全另一种情况是——当需要的不是单纯的代码识别本身。比如一箱货物：要检查盖子是否拧紧、标签是否贴正、配件是否齐全、零件是否正确装入工装，同时还要读取标识。或者是序列号和出厂日期，需要与批次任务单进行核对。这时就离不开 VI-4000，而它只在一种情况下能收回成本：当外观检测是产线上的常规任务，而不是「以防万一」的一次性检查。它会在贵司产品的样本上进行学习，因此您在开始时展示的典型缺陷越多，之后产生的噪声和误触发就越少。

另外还有一类复杂的标识：金属上的雕刻、弯曲或反光的表面、印刷不清晰。这类问题在纸面上是找不到答案的：请把样品带来，我们来看看哪款型号、哪种参数设置能应对您的材质。

在DMARK，我们不从产品目录开始，而是从对您生产现场的勘察开始：了解现有设备、哪些设备运行正常，以及生产线在哪个环节放过了不合格品。如果现有设备能够胜任，我们就直接使用；如果可以改进，我们就进行改进；只有当确实缺少某个工段时，我们才为您选配合适的相机：VI-1000、VI-2000或VI-4000。

我们不改变生产流程。质量控制必须精准地融入其中，既不能停线，也不能进行多余的改造。从紧凑型方案到高性能产线，因为每个企业都有自己的规模和限制。

不确定需要哪种相机？

请带来样品——我们会看看相机能在上面识别出什么，然后据此确定具体的配置方案。