工业视觉质检：质检系统集成

可视化演示

质检系统集成将算法能力嵌入产线控制流程。文章讨论PLC通信对接、MES系统集成与异常报警机制，讲解从模型输出到... 切换模式查看不同维度。

系统集成总览

钱工第一天进车间，对着检完的一堆产品叹口气：机器知道什么叫次品吗？不知道。传送带该停吗？不能停。所以系统集成第一课，不是把模型训练得更准，而是把“眼睛看到的”翻译成“手能做的动作”。这个翻译链路由四段组成：相机拍图、AI 打分、判定模块给结论、执行机构动作，最后再同步给管理层。就像传令官接到指令后，要让前线班组、后勤仓库和厂长办公室都动起来。

从技术上说，这就是定义“模型输出到产线动作”的映射规则。模型输出通常是 0~1 的缺陷分数，集成程序要结合预设阈值和实时产线状态，算出最终动作：放行、剔除、停机还是降速。于是系统集成的核心公式就出现了：

这套公式就像老师傅的“口头禅”：同样一句话，对着不同班组说，语气和动作都不一样。集成总览的任务，就是把这句话传对、传全，并且让每个环节都知道自己的角色。

PLC通信对接

钱工的徒弟问：您怎么让机器听您的？钱工说：我们约好暗号。PLC（可编程逻辑控制器）在产线里就是那台听不懂人话、只认“0 和 1”的小机器。它是机器人的“拳脚”，负责控制气缸、传送带、电磁阀。要让 AI 的结论变成“推一下”“停一下”，就必须和 PLC 通信。

实际对接中，常用的通信方式是 Modbus、S7 等协议。AI 程序不再是“返回字符串”，而是把结果写到 PLC 的寄存器地址，比如 D0 写 1 代表放行，D1 写 1 代表剔除。这样，视觉系统就变成了 PLC 的一个智能传感器。但这里有一个关键约束：AI 推理、网络传输、PLC 扫描必须在一个产线节拍内完成，否则产品已经过去了，指令才送到。

和老师傅喊口令一样，暗号不能太长，也不能说得太慢。只有整条传令链路的耗时比产线节拍短，AI 质检才能在每一个产品经过时，及时给机器“递话”。

MES系统协同

光有 PLC 还不够。钱工每天检完几千个产品，总不能只靠脑子记。车间主任需要一个“台账本”，把所有检验结果、工单号、图像、时间都记下来。这个台账本就是 MES（制造执行系统）。MES 是车间的“中央账房”，管理者靠它看产量、算良率、追批次。

集成时，AI 系统每判断完一个产品，就把结果上报给 MES：产品 ID、工单号、检测结论、缺陷类型、图片路径。MES 按工单和批次汇总，形成质量报表。这样，一旦客户投诉某个批次有问题，就能快速定位是当天哪台设备、哪台相机、哪个算法版本检测的。

钱工每检查完一批货，都会在台账上画一笔。MES 就是那本会自动汇总的电子台账，不仅能看“今天良率多少”，还能知道“昨天那批问题出在哪个环节”，让老师傅的判断变成企业可查可用的数据资产。

异常报警机制

钱工有个习惯：偶尔检出一个次品，她提溜出来放到一边；但如果连续看到一堆次品，她会立刻吹哨子。系统集成里的“吹哨”，就是异常报警机制。报警不是简单发条微信，而是要在合适条件下触发，并联动设备动作。

常见的报警条件有两类：质量异常和链路异常。质量异常指的是 NG 数量或 NG 率超过阈值，比如连续 5 个不良；链路异常指的是通信心跳丢失，比如 AI 程序与 PLC 断了连接。报警动作包括声光提示、看板红灯、自动停机、通知 MES 锁定批次等。

哨子不能乱吹，吹了就必须有人响应。报警机制的价值，是把老师傅的“直觉”数字化：什么时候该惊动大家、用什么方式惊动、惊动后怎样停线保护，都提前写成了规则。

实时闭环控制

报警只是让产线停下来，更好的集成还要让产线“自己调节”。钱工盯着良率表，发现 NG 率渐渐升高，她会走到传送带前，把速度调慢一点，让每个产品有更长的拍照和计算时间。这个动作在系统里叫闭环控制。

闭环控制是质检系统集成的灵魂：模型输出不是终点，而是反馈源。系统实时计算当前批次良率，和目标良率比较，如果差距偏大，就自动降低传送带速度；如果质量稳定，再适当提速。这样，AI 不只是“看门狗”，更像“驾驶辅助系统”。

这就好比钱工的手不再是“只有急停”的开关，而是一个可以连续调节的旋钮。闭环让产线在品质和效率之间找到动态平衡，既不让次品溜走，也不因为一次波动就停线。

容错与故障恢复

钱工的对讲机偶尔会没电，产线通信也一样。网络抖动、PLC 重启、服务进程崩溃，都是躲不开的日常。真正成熟的集成系统，必须像老师傅随身带三块备用电池一样，做好容错与故障恢复。

容错的手段包括：消息发送失败后自动重试；定时心跳检测程序是否假死；主通信链路断开时自动切换备用通道；系统重启后能从 MES 拉取未完成批次，恢复统计状态。没有这些兜底措施，AI 质检系统再准，也会因为一次断网就让整条产线停摆。

老师傅不会因为一次对讲机没电就收工回家。系统也一样，只有把“断线重传、看门狗、备用通道、状态恢复”当成标配，AI 质检才敢真正接进量产线，成为天天有人依赖的“正式工”。

工程部署方案

给钱工配装备，不是把所有电子设备堆在一个机箱里就行，而要分层施工。就像盖房子，底层打地基，顶层做装修，中间还要有强弱电分离。质检系统集成通常也分三层：边缘计算层负责跑模型推理；网关层负责协议转换和网络隔离；管理层连接 MES 和看板。

边缘侧一般用工业电脑或 AI 盒子，靠近相机安装，减少图像传输延迟。网关把 AI 结果转成 PLC 能识别的协议，同时作为一道安全屏障，避免上层网络故障冲击产线控制网。设计时还要留监控和权限管理，不是谁都能改阈值、动参数。

这就像老师傅的装备包，每样工具摆在固定位置，既方便拿取又互不干扰。分层部署让系统更安全、更易维护，也让“AI 上线”不变成“现场失控”。

价值转化落地

最后，老板走到钱工面前问：这套集成，到底给我省了多少钱？系统集成最终要回答的一定是投资回报率问题。它不是实验室里的准确率比拼，而是财务账本上的收益换算。

集成价值来自三个方面：一是节省人工质检成本；二是减少漏检和客户退货带来的质量损失；三是积累历史图像数据，为后续工艺优化和生产决策提供资产。但也要算清投入：边缘设备采购、现场调试人力、产线停机改造。把这些放进公式，就是最直观的 ROI。

钱工再厉害，也要靠这套集成把“技术水平”翻译成“商业价值”。当 AI 从展厅走进车间，从测试脚本变成 7×24 小时运行的产线成员，系统集成才是那个让技术真正值钱的临门一脚。

AI 应用场景

Python 演示

import random  class PLCController:    def __init__(self):        self.outputs = {'start': True, 'speed': 1.0, 'reject': False}     def write(self, key, value):        self.outputs[key] = value  class MESAdapter:    def __init__(self):        self.batch = []     def report(self, record):        self.batch.append(record)     def yield_rate(self):        if not self.batch:            return 0.0        return sum(1 for r in self.batch if r['ok']) / len(self.batch)  class InspectionIntegrator:    def __init__(self, target_yield=0.95, alert_streak=5):        self.plc = PLCController()        self.mes = MESAdapter()        self.target_yield = target_yield        self.alert_streak = alert_streak        self.ok_count = 0        self.ng_count = 0        self.ng_streak = 0        self.speed = 1.0     def inspect(self, product_id, score):        threshold = 0.8        ok = score >= threshold        self.plc.write('reject', not ok)        self.mes.report({'id': product_id, 'score': round(score, 3), 'ok': ok})        if ok:            self.ok_count += 1            self.ng_streak = 0        else:            self.ng_count += 1            self.ng_streak += 1        self.adjust_speed()        return ok     def adjust_speed(self):        total = self.ok_count + self.ng_count        if total == 0:            return        actual_yield = self.ok_count / total        gap = self.target_yield - actual_yield        if gap > 0:            self.speed = max(0.5, self.speed - 0.05 * gap)        else:            self.speed = min(1.5, self.speed + 0.01)     def alarm(self):        return self.ng_streak >= self.alert_streak  def demo():    control = InspectionIntegrator()    for i in range(200):        score = min(1.0, max(0.0, random.gauss(0.88, 0.16)))        control.inspect(i, score)        if control.alarm():            print('[ALARM] 连续NG=' + str(control.ng_streak) +                  '，PLC联动降速，当前速度=' + str(round(control.speed, 2)))            break    print('MES记录数=' + str(len(control.mes.batch)))    print('良率=' + str(round(control.mes.yield_rate() * 100, 2)) + '%')  if __name__ == '__main__':    demo()

1. self.plc.write('reject', not ok)把是否剔除的结果写到 PLC 输出寄存器，机器才会动作。
2. self.mes.report({'id': product_id, 'score': round(score, 3), 'ok': ok})把每件产品或合格信息上报 MES，形成可追溯台账。
3. self.ng_streak += 1统计连续 NG 数量，这是报警和联动降速的重要依据。
4. self.adjust_speed()每次检测后根据最新良率更新产线速度，形成闭环。
5. self.speed = max(0.5, self.speed - 0.05 * gap)当良率低于目标时降低速度，但要设置下限防止产线太慢。
6. if self.ng_streak >= self.alert_streak:连续不良超过阈值时触发报警，对应正文中的报警条件。

常见误区

面试题