视觉检测能解决什么问题：缺陷类型与打光方案

适合视觉的缺陷类型

倒瓶、缺瓶、瓶盖歪斜、标签缺失、液位异常等规则明确的缺陷，视觉检测的稳定性通常优于人工抽检。判断一项缺陷适不适合用视觉，先看它是否有明确的判定条件：能不能用形状、位置或灰度差异区分。靠手感、靠颜色深浅主观判断的缺陷，视觉很难稳定执行。

成像是前提

同一套算法在不同材质反光下表现差别很大。瓶身透明、曲面和标签反光都会影响成像，集成时要和设备方一起确定打光方案。打光方案比算法选择更先决定效果：同样的模型换一套光源，检出率可能差很多。

样本决定准确率

缺陷样本不足时，误判率会明显偏高。上线前需要按缺陷类型准备足量样本，并保留持续学习的流程。样本要覆盖真实产线上的变化：不同批次、季节、摆放角度。同样一个缺陷，样本里只有一种外观时，线上换一批货就可能失效。

与人工抽检的分工

视觉负责全检和规则明确的缺陷，人工保留处理外观主观判断的样本。两者结合比单独使用更实际。人工的作用不是重复视觉已经能做的判断，而是负责视觉无法定义的类别，并作为视觉系统效果的持续校验来源。

视觉解决不了什么

以下几类不要交给视觉：需要主观判断的外观品质；缺陷本身在图像上不可见（内部异物、重量偏差）；缺陷位置随机且形态变化极大（散落异物）；对节拍要求高于成像速度上限的场景。金属异物应交给金属检测，见金属检测机灵敏度怎么设；重量类应交给在线检重。

怎么验收视觉系统

验收要用实际产品跑，并且按缺陷类型分别统计检出与误判，而不是只看整体节拍。验收记录至少包含：测试样本来源与数量、各缺陷类型的检出情况、误判发生在哪些产品上、以及当时的成像设置。

适用边界

本文不涉及具体算法。视觉系统的最终效果取决于样本、成像和产品差异；文中不给出检出率数值，该数值必须由现场实测得出。