机器视觉中的零件对位：它到底能带来什么
对位是检测流程中最不起眼、却影响最大的环节之一，因为它决定了机械方面需要投入多少成本。一个要求零件每次都精确落在同一位置的视觉系统，本质上是在为一套工装制定规格。而一个能先找到零件的系统，则可以检测传送带送来的任何东西。
这正是全文的核心权衡。对位消耗节拍时间，换来的是对位置发生偏移的零件的容差。下面说明如何评估这两方面的代价。
对位阶段的作用
您为系统提供一张合格零件的模板图像，并标出用于识别它的区域。此后每次采集时，对位工具都会定位该图案，并计算零件相对于模板发生了多少平移和旋转。此后的所有处理都在零件的坐标系中运行，而不是相机的坐标系。
由此带来的结果是，检测区域会随零件一起移动。围绕一个卡扣画出的区域，即使零件向左偏移8毫米并旋转6度，仍然会停留在卡扣上。没有对位的情况下，同一区域将对着空白背景，检测会误报一个完全合格的零件缺少卡扣。
这就是为什么对位失败和检测失败值得分开统计。对位工具找不到的零件根本没有被检测过，而一个悄悄放行这些零件的工位，实际上有一部分产量根本没有被检测。
边缘还是学习特征
经典模板匹配基于边缘工作。它建立模板边缘结构的几何模型，搜索最匹配的排列方式。它速度快、可预测，并经过数十年验证，但在一种特定情况下会失效：没有足够干净的边缘可用时。
学习型对位工具采用另一种方式。它从模板中学习零件的视觉特征，而不是仅依赖边缘几何，这正是它能在零件边缘不可靠时依然保持追踪的原因。以下是三种关键情形：
与背景对比度低
一个黑色塑料零件放在深色传送带上。轮廓在物理上存在，但在图像中几乎不可见，边缘模型几乎没有可以锁定的东西。学习特征则可以改用表面纹理和内部细节。
有纹理或杂乱的背景
零件放置在编织带或机加工底座上。背景产生的边缘比零件本身还多，边缘匹配器可能会在噪声中找到一个看似合理的错误匹配。
镜面及多变表面
在抛光金属表面，可见边缘会随光照角度而变化，因此同一个零件在不同位置会呈现不同的边缘图。学习特征对此的依赖程度较低。
经典方法仍占优势的情形
对比度良好、几何清晰，且零件本身的要求并未超出经典引擎的能力范围。经典方法更快，切换到学习型没有任何好处。不要为不需要的能力付费。
如果确实要切换，有一点实用提示：这两种引擎对参数设置的反应不同，因此灵敏度和置信度需要重新调校，而不能直接沿用。请为此预留几分钟时间，不要假设可以原样互换。
速度模式是一个节拍时间的决策
对位发生在任何检测运行之前，因此它所消耗的时间会直接从您的节拍时间预算中扣除。在OV80i上，对位工具提供三种带有公开时长的模式，用具体数字而非形容词来看待它们，选择就一目了然：
| Mode | Approx. time | 何时使用 |
|---|---|---|
| Fast | ~70 ms | 适用于高速产线：零件呈现方式相对良好，而检测本身需要争取每一毫秒。 |
| Balanced | ~150 ms | 默认模式，在产品中被描述为适合大多数应用的理想选择。从这里开始，只有当节拍时间或匹配率提示您需要调整时才切换。 |
| Accurate | ~270 ms | 最高精度模式。当后续区域较为紧凑、零件本身较难处理，或某项测量依赖于对位准确时，值得使用。 |
快速模式与精确模式之间的差距约为200毫秒。在每秒一件的产线上，这相当于您预算的五分之一，也是与AI模型无关的检测延迟中，单一影响最大的因素。值得刻意做出选择，而不是任由其保持默认值。
旋转范围，以及值得了解的极限
旋转范围设置限定了对位工具的搜索范围。相对于模板超出该角度的零件将不会被检测到，这是一个设计决策，而不是缺陷：更窄的搜索范围速度更快，产生的错误匹配也更少。
应根据实际机械条件设置，而不是凭乐观估计。如果工装能将零件位置控制在几度以内，较窄的范围会更快、更可靠。如果零件是松散地放在传送带上到达的，则需要范围覆盖实际情况，否则您将花时间排查所谓的对位失败，而它们实际上只是范围设置得太窄。
学习型引擎大致能处理正负25度的范围。这是一个真实存在的上限，与其在实践中才发现，不如提前围绕它做好规划。当零件可能以任意方向到达时，有两种应对方式：从机械上限制其呈现方式，使其落在该窗口内；或者采集多张模板，每张覆盖旋转范围的一部分。这两种方式都不算特殊，而且都比事后改造要便宜得多。
尺度不变性，以及为什么测量要将其关闭
尺度不变性使对位工具能够匹配比模板略大或略小的零件。当零件高度存在变化，或相机距离无法完全重复时，这一特性很有用，因为同一零件在不同距离下成像的尺寸也会不同。
它也是唯一一个会与另一个模块产生联动的设置，这种联动值得理解，而不是去对抗。如果您在进行测量，尺度不变性必须关闭，产品也会强制执行这一点。原因很直接：测量是用一个固定比例将像素换算成毫米。如果允许对位工具吸收尺寸变化，它会悄悄地对图像重新缩放，这意味着您的测量本应检测的那部分变化，在测量看到之前就已经被归一化掉了。您会得到一个漂亮而一致的数字，但它已经不再反映零件的真实情况。
所以规则很简单。检测那些表观尺寸会波动的零件缺陷：开启尺度不变性。对照公差报告某个尺寸：关闭，转而通过机械方式控制工作距离。我们关于 远心镜头 介绍了以光学方式消除同一种变化的方法。
何时可以完全跳过对位
对位是可以关闭的，在一个真正装夹良好的工位上，您应该这样做。如果零件由定位座或夹具定位，每次到达的位置误差都在一两个像素以内，那么对位工具每次采集花费的70到270毫秒，实际上只是在确认机械结构早已保证的事情。
诚实的判断方式是测量，而不是假设。按零件正常到达的方式采集几百个样本，观察位置实际的波动幅度。有两种结果，都有价值：波动很小，您可以取消对位并收回节拍时间；或者波动比任何人预期的都大，在您依据一个站不住脚的假设去调整检测区域之前，这一点值得提前知道。
以下情况可以跳过
零件通过定位座、夹具或分度机构固定到位，呈现方式的重复精度在一两个像素以内，且节拍时间紧张。机械结构已经完成了这项工作。
以下情况应保留
零件是松散到达的，放在传送带上、人工装载，或装在存在实际间隙的工装中。此外，即使工装目前状况良好，但如果您希望该工位能在其磨损后依然正常运作，也应保留对位。
设置步骤（按顺序）
- 在一个合格零件上采集模板 以生产实际呈现的方式采集，而不是有人小心地用手摆放时的样子。
- 在稳定的特征上标出模板区域。 拥有真实细节的较大区域比小区域对位效果更好。请排除在合格零件之间本就会合理变化的任何内容，否则您就是在要求对位工具去匹配那个会变化的东西。
- 根据机械条件设置旋转范围， 而不是凭乐观估计。测量零件实际的旋转幅度。
- 从均衡模式开始， 只有当节拍时间或匹配率给出理由时才做调整。
- 根据具体任务决定尺度不变性： 在存在表观尺寸变化的检测场景中开启，若涉及任何测量则关闭。
- 用您已有的采集图像重新运行该设置。 对已有图像进行批量重新对位，可以在工位见到实际零件之前，让您了解匹配率，这与 对检测本身进行回测是同一原则.
- 确定对位失败时该如何处理。 它既不是合格，也不等同于缺陷。应将其导向一个有人查看的地方。
最后这一点恰恰是最常被听之任之的。对位失败意味着该零件从未被真正检测过，如果将其当作合格处理，就会把未经检测的产品放入合格品流中。将对位失败单独统计，并在失败率上升时向产线发出信号，能把一个悄无声息的漏洞变成早期预警，提示工装出现漂移或光照发生了变化。关于这一点在更大的工位体系中如何定位，请参阅我们关于 机器视觉系统.
Frequently Asked Questions
零件对位在视觉系统中起什么作用？
它在图像中定位零件，并计算出零件相对于模板发生了多大的平移和旋转，因此之后的每个检测区域都是相对于零件而非相机来定位的。正是这一点使得围绕某个特征绘制的区域，在零件发生偏移或旋转时依然能停留在该特征上。没有它，位置发生变化的零件会导致检测查看错误的位置，并报告实际并不存在的缺陷。
模板匹配与学习型对位工具有什么区别？
经典模板匹配建立模板边缘的几何模型，并搜索最匹配的排列方式。它速度快、可预测，但在边缘不够干净时会遇到困难。学习型对位工具使用零件的视觉特征，而不仅仅依赖边缘几何，因此在边缘不可靠的情况下仍能保持稳定：低对比度零件、杂乱或有纹理的背景，以及表观边缘会随光照变化的镜面表面。在对比度良好、几何清晰的情况下，经典方法仍是更快的选择。
对位会给一个节拍增加多少时间？
在OV80i上，对位工具在快速模式下大约耗时70毫秒，均衡模式150毫秒，最精确模式270毫秒。这一过程发生在任何检测模型运行之前，因此会直接从节拍时间预算中扣除。快速与精确模式之间200毫秒的差距，是与AI模型无关的检测延迟中，单一影响最大的因素，因此值得刻意设置，而不是任其保持默认值。
对位工具能处理多大的旋转？
旋转范围需要明确配置，超出该角度相对于模板的零件将不会被检测到。更窄的范围速度更快，产生的错误匹配也更少，因此应根据实际机械条件来设置。学习型引擎大致能处理正负25度的范围。当零件可能以任意方向到达时，要么通过机械方式限制其呈现方式使其落在该窗口内，要么使用多张模板，每张覆盖旋转范围的一部分。
为什么测量时必须关闭尺度不变性？
因为测量是用一个固定比例将像素换算成毫米。尺度不变性使对位工具能够匹配看起来更大或更小的零件，这实际上是在对图像重新缩放，因此测量本应检测的尺寸变化，在测量看到之前就已经被归一化掉了。结果是得到一个一致的数字，但它已不再描述这个零件的真实情况。对于表观尺寸存在变化的零件检测，尺度不变性是有用的；而对于尺寸测量，则必须关闭它，转而通过机械方式控制工作距离。
可以在没有对位的情况下进行检测吗？
可以，在装夹良好的工位上您应该这样做。如果零件通过定位座或夹具固定，每次到达的位置误差都在一两个像素以内，那么对位就是在花费节拍时间去确认机械结构早已保证的事情。判断的方法是采集几百个正常到达的零件，测量位置实际的波动幅度，而不是凭假设。要么波动很小，您可以收回这部分时间，要么波动比预期更大，在调整检测区域之前，这一点值得提前了解。
在您的零件上体验 Overview AI
把您的零件或缺陷照片发给我们，视觉工程师会告诉您 Overview 能否检出，大多数系统几天内即可在产线上运行。