机器视觉用来做什么
每一项应用都遵循同样的模式：相机采集图像，软件进行分析，系统在足以在产线上采取动作的速度内做出判定。变化的是零件、缺陷和光源。同一套技术，在我们的机器视觉系统指南中有详细说明，它覆盖下面的每一项任务。
按任务
按检测任务划分的应用
大多数机器视觉应用归结为屈指可数的几类工作，在各行业中反复出现。命名任务是第一步，因为它决定了相机、光源，以及最适合采用固定规则还是 AI。下面这十二项覆盖了工厂车间绝大多数的部署。
按行业
按行业划分的应用
每个行业都有自己的零件、缺陷、公差和标准，从汽车饰件的外观处理，到食品饮料的灌装精度，再到制药的批次和日期码。底层的视觉技术保持不变。变化的是训练数据和验收标准。这些是 Overview 如今已投产运行的行业。
实证
看它捕捉真实缺陷
同一个平台在不同行业检测真实零件。绿色表示合格，红色表示标记出的缺陷。
两个应用，从头到尾
上面的任务是基本构件。在实践中，它们会组合成单个工位上的一次检查。下面看两个最常见的应用在真实产线上的样子，从相机看到了什么，到系统在零件移走之前做出的判定。
从哪里开始
机器视觉最先在哪里见效
您不必一次性把所有检测都自动化。最快的回报通常来自这样一个工位：缺陷代价高昂、出现频率足够值得重视，且在产线速度下人难以稳定捕捉。先在那里验证，再逐步扩展。
会漏检流出的缺陷
任何会演变成退货、保修索赔或召回的问题，都值得在源头捕捉。一次漏检的代价往往就能覆盖一个工位的成本。
会漂移的人工检查
人工检验员在一个班次内会疲劳，彼此之间也会判断不一。视觉系统对每一个零件、每一个节拍、全天候应用同一套标准。
终检处的瓶颈
如果最后一道质量检查是产线上最慢的环节，将其自动化能提升其上游所有工序的产能。
一旦第一个工位运行起来、数据开始流动，第二个和第三个应用就会容易得多，因为您的团队已经熟悉工作流程并信任检测结果。关于第一个项目背后的数字，请参阅 构建 AI 视觉检测的商业论证。
变化所在
AI 打开了那些棘手的应用
几十年来，基于规则的视觉一直胜任干净、可预测的检测。深度学习补上了过去需要人工才能处理的情况：外观缺陷、可变表面，以及难以用固定规则应对的零件。借助 Overview，您的团队在浏览器中用示例图像训练这些应用。
外观缺陷
在大小、形状和位置上各不相同的划痕和瑕疵。
可变表面
让固定阈值束手无策的反光、纹理或天然材料。
罕见缺陷
出现得太少而无法编程的故障类型，可用合成数据训练。
众多制造商在生产中使用 Overview AI
众多制造商在生产中使用 Overview AI
常见问题
常见问题解答
机器视觉的主要应用有哪些？
最常见的机器视觉应用包括缺陷与表面检测、装配与有无验证、尺寸测量与量测、读码与字符识别（OCR、条码、日期和批次码）、焊接与连接检测，以及分拣。同一套基于相机的技术针对不同任务进行配置后，即可覆盖所有这些场景。
机器视觉在制造业中用在哪里？
机器视觉广泛应用于汽车、电子与半导体、医疗器械与制药、食品饮料、包装与物流、航空航天等众多领域。只要有零件在产线上流动且质量至关重要，视觉系统就能以产线速度检测每一个单件。
机器视觉应用有什么例子？
一个常见的例子是汽车产线上的总装验证：相机在单件移走之前确认每个卡扣、紧固件和连接器都齐全且正确装配到位。另一个例子是制药行业的泡罩包装检测，视觉在封装前检查每个泡眼中是否都装有一颗完好的药片。
机器视觉应用和 AI 视觉应用有什么区别？
传统机器视觉应用使用编程设定的规则和测量参数，适合规则可预测的零件和精确量测。AI 视觉应用使用在示例图像上训练的深度学习，适合外观缺陷、可变表面以及难以用规则描述的零件。许多产线会将两者结合使用。
一套视觉系统能处理多种应用吗？
可以。一套现代 AI 视觉系统能在同一工位运行多项检测任务，例如在同一张图像中检查有无、表面缺陷和打印的代码。Overview 系统按应用分别训练，但运行在同一台一体化相机上。