传统机器视觉方案的工作原理

传统的外观缺陷检测方案通常基于机器视觉加规则判定的方式。具体来说，系统通过相机采集图像后，利用图像处理算法提取特征，再与预设的规则进行比对。例如，设定一个尺寸范围，超出范围则判定为尺寸偏规；设定一个灰度阈值，低于阈值则判定为外观缺陷。这种方案的优点是逻辑清晰、结果可解释，但缺点是对规则未覆盖的缺陷无能为力。

深度学习方案的技术路径

AI深度学习方案的技术路径与传统方案有本质区别。深度学习模型不依赖人工设定的规则，而是通过对大量标注样本的训练，自动学习缺陷的特征表达。在训练过程中，模型会从样本中提取出人眼可能难以描述但对缺陷判别有效的特征。训练完成后，模型可以对新的图像进行推理，输出缺陷判定结果。

两种方案在缺陷检出率上的差异

在实际应用中，传统方案对于形态规则、对比度明显的缺陷（如明显的尺寸偏规、大面积的外观缺陷）有较好的检出效果。但对于一些形态不规则、边界模糊、对比度较低的缺陷（如细微的电极裂纹、轻微的胶体剥离），传统方案的检出率往往不理想。深度学习方案由于经过大量样本训练，对这类复杂缺陷的检出能力通常优于传统方案。

两种方案在误判率上的表现

误判率是外观检测中另一个重要指标。传统方案由于依赖固定阈值，当产品本身存在正常的工艺波动时，容易将正常品误判为不良品。深度学习方案通过学习正常品和不良品的差异，对正常工艺波动具有一定的容忍能力，在控制误判率方面通常表现更好。标谱设备采用AI深度学习方案，在实际检测中能够兼顾检出率和误判率的平衡。

标谱设备中两种技术的结合方式

标谱双振动盘四面外观检测机以AI深度学习为核心检测算法，同时在系统层面保留了传统机器视觉的部分功能。例如，光纤检测用于材料到位判断，这一环节采用的是传统的传感器触发方式。AI算法与传统检测手段的结合，使得设备在整体运行中既具备深度学习的高适应性，又保持了系统各环节的可靠性。