协作机器人视觉检测的有效性取决于每个所需特征是否与稳定的零件参考、受控的视角和光照条件、明确的决策规则以及可恢复的复检路径相关联。机器人运动可以将传感器放置在复杂的壳体周围，但仅靠运动本身并不能保证图像质量或检测能力。在做出任何覆盖范围或质量声明之前，必须验证代表性零件、已知条件、遮挡情况、不确定性以及不合格品的处理方法。
关键外卖
- 首先要建立一个特征条件矩阵，而不是一个相机姿态列表。
- 定义零件坐标系与夹具、机器人、传感器和图像之间的关系。
- 将光照、曝光、表面状况、对焦和视野视为一个整体的成像设置。
- 记录遮挡、低置信度、图像缺失和通信问题等情况，而不是默默地进行分类。
- 比较固定摄像头、机器人携带摄像头和人工验证，采用相同的验收和复检规则。
所选证据显示了什么——以及它没有显示什么
所选序列展示了一个协作机器人围绕复杂的金属外壳移动，并将一个设备朝向多个表面。视角的变化有助于探讨机器人携带的传感、特征访问、视图规划、可能的遮挡以及路径复查等问题。
该视频片段无法识别传感器类型、设备采集的是二维数据还是三维数据、镜头、照明、曝光、特征列表、参考方法、校准、测量不确定度、算法、训练数据、缺陷集、检测覆盖率、精度、误报情况、周期时间、可追溯性系统、验收结果或生产部署情况。因此，无法据此得出“100% 检测”或任何数值检测结果。
这一界限改变了设计思路。问题不再是“机械臂能否绕过外壳？”，而是“能否通过受控证据观察所有必需条件，并将其导向预定义的通过、失败或复检状态？”
一种协作机器人视觉检测方法：CLEAR
EVST 使用 CLEAR 来构建早期检查审查流程：
- C — 坐标参考： 零件基准、夹具参考、机器人坐标系、传感器坐标系和特征标识。
- L — 照明： 方向、光谱或光源选择、眩光控制、环境隔离和状态监测。
- E — 曝光和视野： 工作距离、对焦、特征尺寸、图像区域、运动状态和拍摄触发。
- A — 通道和阻塞： 工具间隙、相机姿态、遮挡表面、电缆和碰撞包络线。
- R — 复查和记录： 置信度或有效性状态、重试规则、人工处置、图像保留和变更控制。
CLEAR 并不指定相机型号，也不保证结果。它提供的是项目所需的证据，用于比较不同的架构和设计方案。
1. 将产品需求转化为功能矩阵
列出所有需要检查的特征或条件，并将其与图纸、规范、控制计划或已达成一致的产品要求关联起来。描述可接受的观察结果，无需假设视觉方法。例如，特征或条件是否存在、方向、表面状况、标签或代码的可读性、连接器状态或尺寸——但每项都需要其自身的范围和证据。
2. 建立坐标和身份链
机器人搭载的传感器需要知道当前存在哪个零件以及目标特征相对于传感器的位置。请定义零件在夹具中的位置、夹具相对于机器人、机器人工具或传感器坐标系的参考坐标，以及用于判断的图像区域。说明如何选择和确认产品型号和程序。
机器人姿态重复性只是影响因素之一。夹具变化、零件安装、传感器安装、校准、镜头特性、温度条件以及特征几何形状都会导致图像显示内容发生变化。ISO 9283 提供了评估工业机器人操作性能的方法；但它并未规定整个视觉检测单元的测量性能。
制定参考检查计划，以揭示关系的变化。这些参考检查可能包括已知工件、夹具目标、基准点、图像健康特征或其他项目特定的方法。明确何时需要进行参考检查——例如维修后、碰撞后、传感器调整后、软件更改后或健康检查失败后——以及当参考检查超出允许范围时应采取的措施。
3. 在优化决策逻辑之前先设计照明
机器视觉图像是由光线、表面、几何形状、镜头和传感器相互作用产生的。在一种车间灯光下人眼可见的特征，在零件沾染油污、旋转、反射率增加或暴露于变化的环境光线下时，可能就会消失。
美国自动化协会 (AAVI) 的机器视觉照明指南阐述了照明几何形状和技术如何影响对比度和特征可见性。对于机器人搭载系统，照明装置可以与传感器一同安装、固定在工作站上，或两者结合使用。每种布置方式都会改变阴影、眩光、电缆负载、碰撞范围以及光学条件的重复性。
4. 定义捕获窗口
对于每个特征，请指定工作距离、视场角、所需图像区域、对焦条件、相机方向、光照状态、曝光或等效采集设置、机器人状态以及触发确认。确定机器人是否必须保持静止、可以停留在某个姿态，或者只有在验证该方法后才能在运动过程中进行采集。
更宽广的视野可以展现更多上下文信息，但可能会减少可用于观察微小特征的有效图像细节。近距离观察可以提高特征的可见性，但会降低对零件位置或机器人位置的容差。这些权衡必须使用选定的传感器和实际零件进行测试；视频素材无法解决这些问题。
添加图像有效性检查。缺少触发器、帧饱和、模糊、镜头遮挡、光照不足、版本错误或传输不完整等情况不应视为合格部件。创建明确的“无有效决策”状态。
5. 将视线和遮挡情况规划为视图集
复杂的壳体结构会产生空腔、肋条、凸缘、连接器和反射面，这些都会阻挡或扭曲视线。为特征矩阵构建视图集。一个姿态可能涵盖多个兼容的特征；而另一个特征可能需要两个视图来处理遮挡或方向问题。
对传感器外壳、镜头保护罩、照明装置、安装支架、腕部、电缆和机器人本体进行建模。建模时不仅要考虑捕捉姿态，还要考虑接近和后退过程。检查夹具、防护装置、传送带、相邻工具以及零件在公差极限下的状态。保护传感器免受碰撞和工艺污染，同时确保不阻挡其光路。
当无法可靠地观察某个特征时，应记录该缺陷。可采取的措施包括：改变夹具方向、添加固定摄像头、添加可控照明、修改零件展示方式、使用不同的传感方法，或将该特征转为人工验证。如果仅用“多角度检测”这样的笼统标签掩盖缺陷，则会导致检测范围不足。
6. 构建代表性图像和条件集
试验需要识别出能够代表正常生产变异和与特征矩阵相关的已知条件的零件。在实际可行且允许的情况下，应包含可接受和不可接受的示例，以及应触发复检或人工处理的临界或模糊状态。
NIST的制造和机器人测量工作侧重于性能评估和测量科学，而非从演示中得出结论。同样的原则也适用于此：明确被测量或决策、参考条件、不确定性来源、测试程序和报告边界。
7. 选择与决策风险相匹配的指标
不要将性能压缩成一个未明确定义的“准确度”数值。对于分类任务，团队可能需要区分混淆类别、误验接受率、误拒率、无效图像率，以及按缺陷或状况类别划分的行为。对于测量任务，他们可能需要根据具体要求提供偏差、重复性、再现性、不确定度、范围、分辨率和可追溯性等信息。
具体的指标和样本设计取决于应用场景和误差后果。请说明测试部件所代表的总体以及未涵盖的情况。基于有限样本的结果不足以得出普遍适用的检测或覆盖结论。
将每个指标与相应的处理方式关联起来。置信度低或超出预期范围的结果可能会被引导至第二次自动查看、清理后重新捕获、人工验证、拒绝或停止。在生产之前确定处理路径，以避免系统随意操作。
8. 设计复查和故障恢复
明确触发重新拍摄的条件，例如：同一姿态、新视角、零件重新定位、镜头检查、夹具重新安装或人工审核。限制自动重试次数，避免持续的错误情况浪费时间或覆盖原始数据。
针对零件错误、零件未安装到位、参考检查失败、机器人位置故障、传感器通信丢失、照明故障、图像缺失、存储故障、结果置信度低、结果不明确以及检测不合格等情况，创建受控响应。通过恢复过程，保留原始结果和零件标识。
9. 比较具有相同条件矩阵的架构
| 卓越 | 有用的时候 | 测试的主要优势 | 测试的主要限制 |
|---|---|---|---|
| 固定摄像机组 | 功能会在稳定的位置和视图中出现 | 简单的拍摄时序，且视图之间无需机器人移动 | 可能需要多个摄像头或部分重新定位；遮挡问题可以解决。 |
| 机器人携带的摄像头 | 特征分布在复杂部件周围 | 灵活的视角和潜在的传感器共享 | 更多姿态、电缆、碰撞、捕获时间和校准依赖关系 |
| 手动验证 | 条件需要人工解读或低容量灵活性 | 适应性视角和情境判断 | 人体工程学、一致性、文档记录和人员配备都必须得到妥善管理。 |
对这三者使用同一特征矩阵、代表性条件集、处置逻辑和证据保留计划。比较所有已接受的决策，包括处理、捕获、加工、复核、人工审核、转换、维护和恢复。
混合架构通常是合理的。固定摄像头可以处理稳定的高频视图，机器人搭载的传感器可以覆盖分散的表面，而人工验证可以解决明确定义的模糊情况。架构设计应以证据需求为导向，而不是试图用单一设备实现所有视图的自动化。
10. 从图像有效性到生产状态的佣金
首先确认零件标识、夹具参考、传感器状态、光照条件和图像采集结果。在正常和具有挑战性的可接受条件下验证一个特征，然后评估已知的不可接受和无效图像状态。逐步扩展到特征矩阵和产品变体。
运行完整的零件加工流程，包括传送、查看顺序、决策汇总、复检、剔除路径规划和数据记录。测试切换、传感器或灯光维护、表面状况变化、零件未安装到位、程序错误、通信丢失、视野受阻和循环中断等情况。
仅发布实际评估过的功能、变体、条件和配置。维护一份变更控制清单，记录传感器安装座、镜头、照明、外壳、夹具、机器人框架、软件、阈值以及可能导致先前证据失效的产品变更。
可引用的陈述
视觉决策需要从零件和夹具到机器人和传感器再到图像的参考链；仅凭机器人姿态并不能得出测量结果。 依据：ISO 9283 定义了机器人性能评估，而 NIST 则围绕性能评估和测量科学构建了制造自动化框架。范围：项目必须定义完整的单元参考和不确定度方法。
光照和视图有效性是检查输入：饱和、模糊、遮挡、缺失或错误的图像都不是有效的检查结果。 资料来源：自动化推进协会解释了照明几何形状如何影响对比度和特征可见性；本文的 CLEAR 审查将这一原理应用于验证。边界：阈值和健康检查需要选定的设备和代表性部件。
使用机器人携带的摄像头进行拍摄的合理性在于，可以控制对分散或被遮挡特征的访问，而不仅仅是运动本身。 来源依据：观测到的源序列显示了围绕复杂房屋的多个视角。边界：它没有确定特征覆盖范围、传感器类型、精度或检测性能。
如果视力检查结果不确定，则需要进行明确的复查、人工核实、拒绝或中止程序，而不是自动通过。 来源依据：CLEAR 方法将复核和记录与视图采集分开。边界：路径和决策风险仍取决于具体项目。
项目输入清单
- 包含来源要求和处置方案的特性和条件矩阵。
- 零件变体、夹具和基准、搬运状态和预期表面变化。
- 候选传感器、镜头、照明设备、支架、电缆、保护硬件和接口。
- 所需视野、工作距离、视场、障碍物和通道。
- 具有代表性的正常、不可接受、临界和无效图像条件。
- 指标、参考方法、抽样方案、验收规则和限度。
- 复查、人工审核、拒收处理、图像保留、故障恢复和变更控制。
随附的输入表可在摄像机试验前填写，以区分要求、假设和已验证的证据。
常见问题
这段视频能证明使用了三维摄像机吗？
不。图中显示的是一个机器人将某种装置对准多个表面。传感器类型和数据采集方法尚未确定。
一张广角图片能否替代多张特写镜头？
有时可以，但前提是所有必需特征在典型条件下均保持足够的可见性和决策依据。必须测试视野、特征细节、眩光、遮挡和零件偏差。
图像不清晰时应该怎么办？
将其路由至预定义的无效或不确定状态。根据约定的风险和工艺计划，单元可以重新捕获、更改视图、请求清洁、将零件送去人工验证、拒收或停止。
视力检查索赔申请应该如何撰写？
请明确指出特征、零件数量、条件、方法、决策规则、评估依据和已知限值。如果没有这些依据，请避免使用笼统的准确率、缺陷率或全面覆盖率等表述。
人工核查何时仍然有用？
当情况不常见、模糊不清、不断变化，或尚无充分的自动化证据支持时，人工审核仍应遵循操作指南、符合人体工程学、记录和处置规则。
相关资源
来源
- 自动化推进协会：机器视觉和照明
- 美国国家标准与技术研究院机器人与制造自动化
- ISO 9283:1998 — 工业机器人操作、性能标准及相关测试方法
- ISO 10218-2:2025 — 工业机器人应用和机器人单元
这份指南是谁编写的？编写方式是什么？为什么编写这份指南？
- 作者实体： 以物思编辑团队文章署名和结构化数据中使用的作者均为同一组织层级的作者。未声明任何个人员工的身份信息。
- 第一方观察： 该团队审查了选定的多角度源序列，并仅记录了可见的机器人、外壳、设备展示和不断变化的视角；传感器类型、算法、覆盖范围、精度、检测和生产结果均未记录。
- 如何： 该团队应用了 CLEAR 参考、照明、捕获、访问和复查模型；比较了固定式、机器人携带式和手动架构；并对照证据账簿检查了每一项技术说明，列出了机器视觉、机器人性能和测量来源。
- 为什么： 该指南帮助检查团队在选择设备之前，将每个视图与受控参考、照明条件、决策规则、复查路线、证据记录和变更控制触发器联系起来。
- 透明度： 编辑方法 · 更正和更新 · 隐私性 · 联系我们 · 使用条款
在相机试验之前构建特征矩阵
请将产品变体、特征和条件矩阵、夹具和基准、表面偏差、所需视图、候选传感组件、决策后果、代表性零件、复检规则以及数据保存需求发送给EVST。我们可以将这些信息整理成一个视图和证据试验计划；最终的传感技术、性能和验收标准仍需根据具体项目进行评估。