多品种混线3D视觉检测怎么做 柔性产线3D视觉的识别与换型

admin 38 2026-11-19 10:59:16 编辑

多品种混线产线上,3D视觉的做法不是给每个品种单独配一套系统,而是把三件事做成一套可切换的系统:把品种做成工件模型库,解决多品种的识别;换型时切换视觉配置而不是重新标定,避免每次换型都停线调试;按工位数量和各品种节拍布置相机,使相机配置与产线节拍匹配。有序来料、无序堆叠、混码垛三种来料形态,都有对应的识别路线和换型做法。

本文写给规划混线视觉的产线自动化工程师、工艺工程师,以及给客户配置方案的集成商工程师,按难点、识别、换型、布点与节拍、上线验证的顺序展开,每个环节讲清要做什么判断、已落地项目是怎么做的。本文讲的是多品种混线的通用做法,定位装配、拆垛垛型规划这类单场景话题只在相关处一句带过,不展开。

多品种混线生产视觉难在哪

混线视觉的难,不在于识别不出单个品种,而在于品种多、来料形态不一、换型频繁三件事叠加。单品种视觉只需要解决单个工件的识别,混线视觉要同时回答来的是哪个品种、按哪套配置识别、换品种时要动什么。先判断自己的产线属于哪种难,再对上3D视觉要解决的问题,方案配置才有依据。

第一个难点是品种多且来料形态不一。工厂里常见的三种形态:有序料框,同一框里只有一种型号、朝向一致、整齐码放;无序料箱,多个工件杂乱堆叠、互相遮挡;混码垛,多种品种混在一个垛上,朝向和位置都不一致。三种形态对识别的要求完全不同:有序料框只需在已知型号下确认位姿,无序料箱要同时判断是什么和抓哪个,混码垛还要在多品种里逐一区分。

判断自己的产线属于哪种形态,看两个问题:框内是否同型号,来料是否经过整理。上游有整理工序、同框同型号的是有序来料;人工或叉车直接倾倒、未经整理的是无序来料;出库端多品种混堆的是混码垛。三种形态可以共用同一套视觉软件和同一种相机,但识别路线和视觉配置要分开设计,有序来料走型号下发、无序来料走自主识别,这个选择在识别一节展开。

第二个难点是换型频繁的代价。品种切换时产线要换程序、换工装,视觉如果每个品种都要重新调试、重新标定,换一次型就停一次线,混线省下来的人力会被一次次的视觉调试吃掉。品种越多、批量越小,换型占的时间比例越高,视觉方案的换型机制直接影响混线的实际产能。评估方案时先问清:换型时视觉到底要动什么。

换型时视觉动的是配置,不是标定。品种之间的差异体现在模板、识别参数和抓取点上,这些是数据层面的配置,靠信号切换完成;手眼标定、相机安装这些与品种无关的固定设置,换型时一概不动。把这条边界划清楚,换型才不会变成一次现场调试,具体机制在换型切换怎么做一节展开。

第三个难点是单一品种方案的局限。用单品种的做法应对混线,常见的有两条路,都不划算。一条是2D视觉:缺少深度信息,无法应对料箱内工件无序堆叠的场景,也难以兼容多款异形工件。另一条是按品种各配一套视觉:有几个品种就要几套相机、支架和程序,硬件和工程量成倍增加,品种越多成本越高,与混线要的柔性背道而驰。

一套视觉兼容多品种的边界,不在相机台数,而在两件事:品种能不能进模型库统一管理,换型能不能靠切配置完成。前者决定识别能力,后者决定维护成本,两个条件都满足,混线视觉的方案才可行。混线也出现在定位对孔、锁附这类定位装配场景,那类工位的精度配合与相机选型另有一套做法,站内3D视觉自动装配一文有专门展开。

三种来料形态对视觉的要求,可以用下面这张表对照:

来料形态 现场特征 识别难点 对视觉的要求
有序料框 同框同型号、朝向一致 料框就位偏差、表面反光 已知型号下输出位姿,消化来料位置偏差
无序料箱 工件杂乱堆叠、互相遮挡 判断品种、选出可抓目标 模型库匹配加择优抓取,规避堆叠盲区
混码垛 多品种混堆、朝向位置不一 品种区分、垛型变化 多品种逐一识别,按垛型安排抓取

多品种工件识别怎么做

多品种识别的基础是工件模型库:把每个品种的三维数据做成匹配模板,识别时拿现场点云与模板匹配,输出工件的品种、位置和姿态。型号信息怎么进来,按来料形态分两条路线:有序来料由控制系统下发型号,无序来料由视觉自主识别。表面反光、带油、带袋的品种,还要在成像路线上单独验证。

工件模型库怎么建

把每个品种的三维数据做成匹配模板,是识别多种工件的基础。模板的来源不复杂:工件的CAD模型用常用设计软件即可导出通用三维格式。以迁移科技Epic Pro视觉软件为例,其Epic Pro软件用户手册写明:匹配模板库支持上传.ply、.stl、.obj文件,其中.stl、.obj文件会自动转换为点云,不需要先做成点云再导入;模板入库后可以编辑,做三类操作:裁剪点云,把不需要参与匹配的部分裁掉;点云降采样,控制点云数据量;添加抓取点,在模板上定义抓取位置。深度学习模型由深度学习模型库统一管理,与匹配模板分开维护。

模型库的价值在品种轮换时体现。在一个多品类零部件无序抓取案例里,系统提前录入工件三维模型数据库,套筒、三通铸件、镂空支架等不同品类轮换来料,AI智能匹配算法依托模型库快速识别出当前料箱里是哪种工件。该项目使用迁移科技Epic Eye Pixel Pro 3D相机,来料中同时存在黑色铸件吸光、白色筒状件反光的材质差异。

建库阶段常见的疑问有两个。其一,模板用什么格式准备:.ply直接上传,.stl和.obj自动转点云,常见CAD软件都能导出这几种格式,不需要额外的数据加工。其二,新品种加进模型库要不要动算法:不用,模板和模型是数据不是代码,新品种入库、配好对应的识别参数即可,底层识别能力不变。从模型入库到投入运行的完整步骤,在新增一个品种要做哪些事一节展开。

型号由系统下发还是视觉自主识别

结论:有序来料走下发,无序来料走自主,两条路线可以在同一条产线上并存。下发式的前提是框内同型号:料框到位后,控制系统把当前工件型号下发给视觉,视觉在已知型号下做识别,算法只在候选里找这一个品种,速度快、调试量小。自主式没有型号预告:视觉要从模型库里认出当前来料是哪个品种,再决定抓取,算法复杂度和调试量更高,换来的是来料无需整理。

下发式的做法可以看一台相机巡走6工位、16种金属件上料案例。这条产线的来料覆盖两大类16种金属件:棒料类外径21mm至72mm,板料类最大245mm×180mm,统一盛放在1200mm×800mm×400mm的标准料框里,有序堆叠、朝向一致。料框到位后控制系统下发当前型号,视觉相机迁移科技Epic Eye Laser L V2S随模组移到料框上方约1500mm处拍照,一次识别出框内顶层工件的抓取位姿,通过TCP/IP发给六轴机器人执行抓取。

下发式的主要风险是切错:框没到位信号就切了型号,或者下发的型号与框内实际不符。工程上的防护是把型号下发与料框到位信号绑定,框到位才下发,型号跟着框走;位置上的偏差交给视觉对位消化,这个项目里料框由AGV或叉车投放,就位偏差不超过100mm,全部由软件消化,上游不需要精确摆放料框。

两条路线对来料整理的要求差距明显:下发式要求同框同型号、朝向一致,上游要有整理动作,人工摆料或整形设备;自主式不要求整料,无序抓取项目里工件倒入料箱即可上料,无需分层整理和摆正。整理成本与算法成本此消彼长,按产线现状选择。两条路线的差异可以这样对照:

对比维度 型号由系统下发 视觉自主识别
来料要求 同框同型号、朝向一致 无序堆叠、无需整料
型号来源 控制系统在料框到位后下发 视觉从模型库匹配识别
识别任务 已知型号下输出位姿 先判断品种再输出位姿
调试量 较小,按品种配模板即可 较大,要覆盖多品种识别与择优
典型场景 有序料框上料 料箱无序抓取、混码垛

无序堆叠怎么选出能抓的工件

无序堆叠的识别要同时回答两个问题:是什么,抓哪个。前一个问题靠模型库匹配,后一个问题靠择优抓取:算法在整箱点云里筛选无遮挡、可抓取的最优目标和抓取点位,自动规避堆叠盲区,而不是按固定顺序从上往下抓。前文提到的多品类无序抓取项目就是这样做的:针对料箱内堆叠、互相遮挡的工件状态,算法自主筛选无遮挡目标,仅留存极少数相互卡滞、完全锁死的极端工况工件,无需人工整料即可完成绝大多数工件的自动化抓取。

识别率靠两层保证。一层在成像:点云质量是前提,环境光干扰、材质反光要在成像算法里过滤掉,轮廓还原不完整,后面的匹配无从谈起。另一层在匹配:模型库里的模板与实际工件的偏差要小,来料状态在算法覆盖范围内。哪一层不满足,识别率都无法保证,所以上线前要用真实工件试拍验证,这一步在上线前怎么验证一节展开。

极端卡滞件的处理原则是不强行抓取。相互卡滞、完全锁死的工件,强行抓取有碰落邻件、磕伤工件的风险,混线自动化不必追求百分之百的全自动。产线设计时给极少数残留工件留一个人工处理窗口,比为最后一两个工件增设复杂机构更经济。

反光带油带袋的工件能识别吗

能识别,但有两个前提:成像路线要匹配表面特性,方案要在选型阶段用真实工件验证过。混线产线上常见的三类难表面:金属件带防锈油,油膜让金属面反光明显;纸箱裹包装袋,袋子反光、柔软、易褶皱,定位面不规则;深色铸件吸光,点云能量不足。三类问题对应的光学对策不同,不能用一个方案笼统覆盖。

对反光金属件,蓝色激光振镜成像路线的适应性较好。16种金属件上料项目里,工件表面带少量防锈油、反光明显,相机基于蓝色激光振镜扫描结合双目视觉的成像路线,在1200mm至3000mm工作距离区间保持稳定点云输出,对深色、反光金属件和车间环境光有较好的适应能力。带袋纸箱靠激光点云加算法补偿:7种纸箱混合拆垛案例要处理7种纸箱,其中3种裹有包装袋,箱体尺寸从150×150mm至600×400mm,来料是朝向、位置不完全一致的混码垛;该项目使用Epic Eye Laser L 3D相机,采用激光三维成像,系统靠点云加算法补偿袋面反光和褶皱带来的定位偏差,规范来料条件下7种箱型的综合识别准确率超过99.9%。

油污轻重对识别的影响无法预先计算,要在项目早期用真实工件做小视野试拍,看点云能否完整还原工件轮廓,这一步在上线前怎么验证一节展开。另外,混码垛在这里只是多品种识别的一种来料形态,垛型怎么规划、拆垛相机怎么选,站内机器人拆垛3D视觉系统怎么建一文有专门展开,本文不重复。

换型切换怎么做

换型的关键是把每个品种或抓取场景做成独立的视觉配置,换型时切换配置,标定和相机安装一概不动。做到这一点,16种工件的产线换型就是一次信号切换;做不到,每次换型都是一次现场调试。判断一套混线视觉的换型机制,先看它把品种差异放在哪里:放在可切换的配置里,还是放在需要重新调试的标定里。

换型要不要重新标定

不需要,前提是方案从设计上就把品种配置和标定分开了。以Epic Pro的机制为例:它的项目方案是解决一个3D视觉引导项目的整体方案,由一个或多个工作空间组成,每个工作空间对应一个特定抓取场景,包含这个场景的机器人、相机等场景配置,以及视觉算法、运动规划等抓取配置;运行时,手动触发或外部机器人通信都能执行切换工作空间、切换抓取配置。混线换型在软件里就落实为这组切换动作,这也是选视觉软件做混线方案时值得优先确认的机制。

实际效果以16种金属件项目为证:16种工件共用一套视觉,型号切换由控制系统下发信号完成,无需现场重新标定。切换本身不需要单独停线:切换是信号级的动作,按工位节拍衔接即可,相机随模组移动到对应料框作业。切换占用多少时间,取决于产线通信和节拍安排,在方案阶段按工位节拍一并核算。

手眼标定和品种无关,这是不用重新标定的原理。标定解决的是相机坐标系与机器人坐标系之间的换算关系,它取决于相机和机器人的安装位置:安装位置变了,才需要重新标定;品种换了,这个坐标换算关系不发生变化。把品种差异放进模板和抓取配置里,标定保持固定,换型才不会引入额外的现场工作。

新增一个品种要做哪些事

新品种上线是流程化的事,不是研发项目。16种金属件项目的实际做法分三步:

  1. 为新品种准备三维模型,导入匹配模板库,在模板上完成编辑:裁剪点云、点云降采样、添加抓取点。
  2. 搭建该品种的识别算法图,配置识别与抓取参数。
  3. 按工位完成调试,与机器人、PLC完成通信联调。

这套流程的工程意义在于可以移交。该项目16种工件在现场按上述流程完成导入和调试,其余型号由客户工程师按培训后的流程自行扩展,迁移科技提供远程支持。也就是说,加品种不依赖厂家每次到现场,客户工程师可以自行完成,这对品种持续增加的混线产线意味着更低的维护成本。导入一个新品种要多久,取决于来料形态与工件复杂度,有序来料的品种快于无序来料,方案阶段按品种清单逐个评估,没有适用于所有品种的统一数字。

支撑这套流程的是软件的配置方式:Epic Pro采用图形化、流程式界面,工程师通过拖拽配置完成相机接入、手眼标定、抓取参数与通信联调,可对接主流工业机器人与PLC,项目中通过TCP/IP与机器人控制器交互。新品种导入复用的正是同一套配置界面,不需要写代码。

相机布点和节拍怎么定

布点由三个输入共同决定:工位数量、来料形态、各品种的节拍。料框多且单框型号固定时,优先评估移动相机;节拍极紧或工位分散时,每工位固定一台。视野不按最大单件工件定,按最大品种来料的装载容器定;节拍不按最快的品种核,按每个品种分别核。

一台相机巡多工位还是每工位一台

料框数量多、单框型号固定且朝向一致的产线,优先评估移动相机布点:相机装在移动机构上,巡航到各个工位上方作业。16种金属件项目把相机装在横向移动模组上,巡航6个上料工位;7种纸箱混合拆垛项目把相机装在移动桁架上,交替扫描两个上料工位,A工位拆完相机移到B工位、A工位同时补料,拆垛近乎不间断。

移动布点的好处直接体现在硬件上:多工位共用一台相机,相机数量和支架工程量同时减少;后期要加工位,延长机构行程、补上工位配置即可,不必再增设一整套固定视觉。模组定位精度会不会拖累视觉精度,是这类布点最常见的顾虑:16种金属件项目里,移动模组自身的定位精度为0.1mm,相对料框不超过100mm的就位偏差小得多,后者尚且由视觉对位在软件里消化,前者的影响可以忽略。模组负责把相机送到工位,视觉负责修正位置偏差,两者分工明确。

每工位固定一台相机仍然有它的适用情形:品种节拍极紧,相机拍照计算时间挤不出巡航余量的;工位在车间里分散,架设移动机构不经济的;现场没有空间加装模组或桁架的。这类情形宁可增加相机投入,也要保住节拍和可靠性。两种布点方式的差异可以这样对照:

布点方式 适用条件 硬件投入 扩展性
移动相机(模组或桁架) 工位成列布置、单框型号固定、节拍有余量 一台相机加一套移动机构 加工位以延长行程和补配置为主
每工位固定一台 节拍极紧、工位分散、无加装空间 相机数量随工位数增加 新工位需新增整套视觉

视野按最大工件还是最大料框定

按最大品种来料的装载容器倒推,不按最大单件。原因是混线的视野服务于整框一次成像:识别的基本单位是框,不是件。相机视野盖不住整框时,一框工件要分多次拍摄,节拍成倍增加,移动布点省相机数量的优势也随之抵消。

以金属上料为例算一遍:要一次覆盖1200mm×800mm的标准料框,选型时对照相机在各工作距离上的视野参数。Epic Eye Laser L V2S推荐工作距离1200mm至3000mm,远端视野2800×2625mm@3.0m,覆盖这个料框有余量;安装时把相机长度方向与棒料长度方向平行,一次视野即可覆盖整框工件,这是16种金属件项目的实际做法。无序抓取覆盖的是单个料箱,用中视野档,如Epic Eye Pixel Pro远端视野1410×860mm@1.5m。视野与工作距离的对应关系,可以用迁移科技的Epic FOV在线选型工具核对,输入安装高度和视野需求即可查出对应档位。

视野大了精度会不会不够,按识别和抓取的精度需求倒推档位。料框整框识别用远距档,如Epic Eye Laser L V2S的VDI/VDE测量精度为0.32mm@2.4m,选型时对照抓取位姿的精度要求核算;无序抓取关注Z向单点重复精度,按所选档位的标称值核对。精度数字都带测量条件,选型时对准条件比只看数字本身更重要。

多品种节拍怎么算

混线节拍要按品种分别核,不能只算最快那个。同一条产线上,不同品种的拍照视角、算法耗时、抓取动作都不一样,慢的品种才是产线的真实节拍。已落地项目给出的参照量级:16种金属件项目,棒料单件拍照加计算不超过5秒、板料不超过6秒,识别率不低于99.9%;7种纸箱拆垛单次拍照与计算4秒以内,并通过连续8小时无故障运行测试。

核算方法:对每个品种,把单件视觉耗时(拍照加计算)加上机器人抓取放置时间,对照该品种的产线节拍要求;移动相机布点还要加上相机在工位间的巡航时间。7种纸箱项目的双工位交替就是这个思路的落地:相机在A、B两个工位间移动,拆垛与补料同时进行,整线近乎不间断作业。

节拍不够时先调软件和路径,再动硬件。第一步核拍照计算耗时,看曝光、点云质量和算法参数是否还有优化空间;第二步核巡航路径,看移动顺序和拍照时机能否与抓取循环重叠;两者都到了上限,才考虑分工位固定布点,用相机数量换节拍。

混线视觉上线前怎么验证

上线前验证做两件事:把视觉与下游工装的分工边界划清,用真实工件试拍验证点云质量和识别稳定性。前者决定视觉算法要覆盖多少任务,后者决定成像路线选得对不对。两件事都要放在方案阶段做,不要等到现场调试才发现问题。

视觉管什么、下游工装管什么

先理清视觉管什么、不管什么,可以缩短算法调试周期。16种金属件项目的做法:视觉只负责位姿引导,棒料不区分大小头、板料不区分正反面,姿态校正交给下游二次定位工装。机器人用底部带V型槽的电磁吸盘把工件放到工装上,单边间隙不小于3mm,由工装的机械结构完成最终姿态整理,视觉不参与。

划界的判断标准:下游工装能机械解决的姿态问题,就交给工装,不让视觉做。大小头、正反面这类二选一的姿态判断,视觉要为它扩展识别分支、承担误判风险,而工装用几何结构就解决了。视觉的算法越聚焦,调试越快,识别率越稳定,这条经验在多品种产线上尤其值得坚持。

上线前试拍要验证什么

反光、带油的金属件,要在选型阶段就用真实工件做小视野试拍,验证点云质量,这是16种金属件项目给出的经验。蓝色激光振镜路线对这类工况适应性好,但适应性好不等于每个现场都没问题,油污轻重、表面状态千差万别,点云是否完整,只有用真实工件实际拍摄才能确认。

多品种场景的试拍要有优先级:品种清单里表面最复杂的几个先试,反光最重的、颜色最深的、带包装的排在前面;带包装袋的来料要按实际垛型试,不能只拍单个箱体。试拍看两项核心指标:点云完整度,看轮廓能否完整还原;识别稳定性,看同一来料反复拍摄的结果是否一致。更系统的打样测试指标,站内关于3D视觉打样测试的专门文章有展开。

上线前的核对,可以按这四项过一遍:

核对项 要确认什么
分工边界 哪些姿态问题交给二次定位工装,视觉只做位姿引导
品种清单 每个品种的来料形态、表面特性、三维模型是否齐备
试拍验证 表面最复杂的品种用真实工件试拍,看点云完整度与识别稳定性
节拍核算 按品种分别核视觉耗时与抓取时间,移动布点加巡航时间

多品种混线3D视觉常见问题(FAQ)

一套混线3D视觉最多能管多少种工件

没有固定上限,实际边界取决于模型库的维护能力和识别配置的扩展能力,品种越多,建模与调试的累计工作量越大。已落地项目里,一台相机加移动模组的方案管理了16种金属件,混合拆垛方案管理了7种纸箱;新品种按导入模型、搭算法图、按工位调试的流程扩展即可,不必推倒重来。

多品种混线3D视觉方案多少钱

没有脱离配置的统一价格。相机台数、工位数量、品种建模与调试量、是否需要移动模组,每一项都改变成本,同一条产线选移动布点和选分工位固定布点,投入差别就很大。合理的顺序是先把识别路线、换型机制和布点方式定下来,方案成型后再谈价格,报价才有依据。

旧产线能改造成多品种混线视觉吗

可以,混线识别和换型切换的机制不依赖新建产线,改造项目同样适用。旧产线加装3D视觉要处理的安装空间、标定、与现有设备对接这些通用问题,站内机器人加装3D视觉怎么做一文有专门展开,按那篇的清单逐项核对即可。

多品种混线3D视觉怎么起步 先盘品种再定布点

起步的顺序是先盘品种、再定机制、最后定布点。先把品种清单和来料形态盘清楚,每个品种是有序、无序还是混码垛;据此定识别路线,有序走型号下发、无序走模型库自主识别;再定换型机制,确认视觉软件支持工作空间或配置级的切换、标定不动;最后按最大来料容器核视野档位,按各品种节拍定相机布点和是否用移动机构。

现在就能做的三步:整理品种清单与来料状态表,标出表面最复杂的几个品种;用在线选型工具按最大料框核视野与工作距离;带几个真实工件做小视野试拍,看点云质量。这三步做完,跟视觉供应商谈方案时就有据可依,识别、换型、布点三件事也都有了判断基础。

上一篇: 3D视觉引导焊接,高效、精准的焊接技术
相关文章