3D视觉-异物检测

一 总体思路与流程

明确目标与阈值

定义“异物”的几何与光学特征：如高度/体积/形状/对比度阈值；对透明/胶层类，还需定义层间异常判据。

设定可量化指标：检出最小尺寸（如≥0.3×0.3×0.3 mm）、误报率、漏报率、节拍与稳定性要求。

传感器与成像策略匹配

高反光金属/亮面：优先蓝色线激光轮廓；透明/多层：优先线共焦；大视野/遮挡/多面一次成像：优先快照式结构光（双目+LED）；超长工作距离/大场景：考虑ToF（精度较低）。

标定与数据准备

完成相机-投影仪/系统标定，统一坐标；采集OK/NG样本用于阈值设定或AI训练；对运动场景确保硬触发/编码器同步。

算法与判定

规则法：平面拟合差分 + Blob分析 + ROI统计（高度/峰谷/体积阈值）；对复杂纹理/背景切换，使用AI异常检测

联动与治理

与PLC/机器人联动实现剔除/报警/追溯；建立数据存档与版本化模型管理，支撑持续迭代。

二 技术路线与相机映射

说明与要点

线激光三角测量适合高精度、短距离与高反光表面；快照式结构光适合一次成像/大视野/多面；线共焦适合透明/高亮与深孔台阶；

ToF适合大视野/长距/低成本但对精度要求不高。LMI提供线激光、线共焦、快照式全栈传感器，并可在GoMax/PC上完成AI训练与部署，适配上述全场景。

三 选型步骤与关键计算

步骤

明确工件与异物特征：材质（高反/透明/黑色）、最小尺寸、允许Z向阈值、节拍。

确定成像方式：高反→线激光；透明→线共焦；大视野/多面→快照；长距/大场景→ToF（若精度允许）。

匹配传感器家族：按精度/速度/视野在线激光、线共焦、快照式之间取舍。

设计光路与安装：工作距离、视角、遮挡评估；必要时多传感器组网拼接。

完成标定与数据策略：系统标定、OK/NG样本采集、离线验证。

算法与判定：规则法优先，复杂背景引入AI异常检测；定义峰-谷/体积/形状多维阈值。

关键计算与校核

速度校核（线扫）：最大扫描速度Vmax = 扫描频率 × 线间距；若产线速度为v，需满足线间距 ≤ v，否则会漏采。

分辨率与最小可检尺寸：由X向分辨率/点距与Z向分辨率/重复性共同约束；异物需≥传感器可分辨尺寸且在Z向超出阈值。

精度/重复性：以厂商给出的Z向重复精度与线性度评估是否满足NG判定置信度（结合多次重复测量与温度/振动稳定性验证）。

四 优缺点对比与落地建议

线激光轮廓

优点：对高反光金属成像稳健；精度高、节拍快；工程集成成熟。

缺点：对透明/深腔与强镜面反射有局限；需运动扫描，遮挡敏感。

建议：手机中框/电池仓等小件高反异物、在线高速检测优先选用。

线共焦

优点：透明/多层与高亮表面稳健；同轴光路抗遮挡；可输出多层3D+2D强度。

缺点：速度/成本相对高；对大视野覆盖需多站位或扫描。

建议：折叠屏胶层、玻璃盖板、层间夹杂/气泡等优先选用。

快照式结构光

优点：一次曝光获取全场点云；大视野/多面一次成像；机器人走停或静态工位皆可；500万像素提升XY分辨率。

缺点：通常精度/分辨率低于线扫；对强振动/高速运动敏感（需短曝光与稳定支撑）。

建议：白车身/动力总成/大型部件、多面/深腔件一次成像与机器人随机抓取引导。