在包裝行業(yè)做質(zhì)檢，誰不想從從容容、游刃有余地當(dāng)個“找茬大師”？

但現(xiàn)實卻往往相反——面對特殊紋理、材質(zhì)反光、柔性包裝形變、高速產(chǎn)線節(jié)拍等典型難題，質(zhì)檢員常常是匆匆忙忙、連滾帶爬。這些“魔鬼細(xì)節(jié)”讓傳統(tǒng)視覺看不清、抓不準(zhǔn)；而單純依賴 AI，又可能在邊界判斷、實時處理上“掉鏈子”。

結(jié)果就是：復(fù)雜的看不出，簡單的還誤判——產(chǎn)線穩(wěn)不下來，人也跟著被迫“加班”。

而這正是In-Sight 8900會成為良好“好助手”的原因：它把傳統(tǒng)視覺的“規(guī)則精度”與AI的“智能識別”加以組合，讓包裝檢測在復(fù)雜條件下依舊穩(wěn)住節(jié)奏，實現(xiàn)真正的從容應(yīng)對。

典型應(yīng)用場景解析|

多紋理?多缺陷?通通一網(wǎng)打盡

基于兩條真實產(chǎn)線的驗證,我們把現(xiàn)場最常“折磨”

質(zhì)檢的挑戰(zhàn),歸納為兩類典型場景:

紋理與背景干擾嚴(yán)重，微小瑕疵極易漏檢

多缺陷并存、規(guī)則復(fù)雜的食品包裝檢測

場景一

復(fù)雜紋理不搗亂,內(nèi)外缺陷檢測更“絲滑”

(來自實際奶片生產(chǎn)線的應(yīng)用場景)

01|核心挑戰(zhàn)

奶片臟污檢測:奶片直徑僅20mm,粉色背景

紋理易產(chǎn)生干擾;包裝柔性形變導(dǎo)致內(nèi)部缺陷不易區(qū)分;奶片包裝檢測:縱封不良,袋型偏移,大切破缺陷,連包等多維度外觀檢測需求。

02|策略拆解

奶片臟污檢測環(huán)節(jié)

在臟污檢測環(huán)節(jié),要在粉色紋理背景里“揪出”微小污點,可不是件輕松事。為讓缺陷真正被看見，康耐視團(tuán)隊首先對光源進(jìn)行了精準(zhǔn)調(diào)校:

其次在算法應(yīng)用層面:AI與傳統(tǒng)視覺工具各司其

職、同時上陣——

ELClassify:處理面積較大的臟污缺陷,分類得分穩(wěn)定≈98,可靠度在線;

ELSegment+Filter:盯準(zhǔn)小黑點、微異物,先分割再膨脹預(yù)處理,讓細(xì)小缺陷無處遁形;

Blob+ROI調(diào)優(yōu):確保奶片被準(zhǔn)確定位,檢測流程在高速節(jié)拍下依然“穩(wěn)住不抖”。

“AI+傳統(tǒng)工具”實現(xiàn)“1+1>2”的效果

奶片包裝檢測環(huán)節(jié)

在包裝檢測環(huán)節(jié),形態(tài)不規(guī)則的缺陷需要精準(zhǔn)識別:縱封不良、袋型偏移、大切破、連包.…...想全部拿下,光“看得見”還不夠,還得在定位準(zhǔn)、判得穩(wěn)這兩件事上同時發(fā)力。

要讓奶片包裝上的各種缺陷都“無處藏身”,把AI與傳統(tǒng)視覺工具合理組合,是提升定位與識別穩(wěn)定性的可靠方式。

ELClassify:對包裝左右端的大切破進(jìn)行分類判斷,模型分?jǐn)?shù)穩(wěn)定 90+;

PatMaxRedLine:穩(wěn)定鎖定外包裝Logo區(qū)域，為大切破檢測提供統(tǒng)一參照;

Caliper:測量封口寬度與袋型偏移,當(dāng)縱封不良或袋型變形時快速觸發(fā)異常。

“Al+傳統(tǒng)工具”實現(xiàn)“1+1>2”的效果

“AI+傳統(tǒng)工具”的組合拳,最終表現(xiàn)相當(dāng)硬核:

奶片臟污檢測場景:單次取像+處理約85ms;

奶片包裝檢測場景:取像+處理總耗時約79ms。可滿足產(chǎn)線13片/秒的高速節(jié)拍。

場景二

面對復(fù)雜規(guī)則,智能識別“有條有理”

(來自實際山楂棒產(chǎn)線的應(yīng)用場景)

01|核心挑戰(zhàn)

同一物料需同時識別7類缺

陷:方向反、變形、穿孔、粘棒、未插棒、不完整物料、單獨紙棒。

02|策略拆解

面對多缺陷、結(jié)構(gòu)規(guī)則復(fù)雜的包裝檢測場景,康耐視為客戶推薦了一套“AIX傳統(tǒng)視覺的混合拳”策略

ELSegment:面對粘連、區(qū)域邊界不規(guī)則等難題時進(jìn)行精細(xì)分割,圈定問題區(qū)域更“干凈利落”;

FindPatMaxRedLine:為每個物料先定好“標(biāo)準(zhǔn)朝向”,奠定后續(xù)檢測基準(zhǔn);

DetectBlobs(結(jié)合輪廓規(guī)則):用于判斷形變與結(jié)構(gòu)完整性,并通過像素統(tǒng)計/長寬比快速識別單獨紙棒。

整體流程單件處理約65ms,所有推理均在智能相機(jī)內(nèi)完成,高速產(chǎn)線也能穩(wěn)定跑。

“Al+傳統(tǒng)工具”實現(xiàn)“1+1>2”的效果

AI 賦能包裝檢測|

打造“穩(wěn)定·可復(fù)制”的行業(yè)方案

依托多條真實產(chǎn)線的驗證，In-Sight 8900讓包裝檢測從“能用”走向“好用·可規(guī)模化復(fù)用”，價值清晰、效果可量化:

01

復(fù)雜紋理x 微缺陷:穩(wěn)定輸出不看運氣

面對紋理干擾、柔性包裝形變、黑點/臟污等高難度場景,In-Sight 8900的混合式策略讓“難點變常規(guī)”:

傳統(tǒng)視覺

精準(zhǔn)定位、邊界判定、規(guī)則邏輯不走偏;

AI工具

提升對多紋理、微瑕疵、多變背景的識別穩(wěn)健性。

02

AI X 傳統(tǒng)視覺組合拳:可靠度與可解釋性同步在線

檢測鏈路分工更加清晰、可控:

AI工具

搞定最棘手 的部分--復(fù)雜形變、細(xì)小缺陷、多類別異物;

傳統(tǒng)視覺

負(fù)責(zé)確定性判斷一-計數(shù)、定位、幾何規(guī)則、結(jié)構(gòu)完整性。

03

高節(jié)拍支持:輕量化部署·原地升級

無需 PC、無需重構(gòu)產(chǎn)線,也能跑出高性能:

79-85 ms(奶片)/65 ms(山楂棒)的高速處理;

讓檢測從“匆匆忙忙”變得“游刃有余”。

In-Sight 8900幫你把節(jié)奏拉回可控狀態(tài)，讓產(chǎn)品穩(wěn)定識別。