如何解决超出标准机器视觉范围的棘手检测问题
“棘手的”检测问题是指超出任何视觉检测方法（包括人工或标准机器）范围的检测问题。随着电子和机械设备变得更加复杂，装配验证应用要求同时高速检测多种特征。复杂的装配件可能包含许多难以在生产线速度下评估的较小零件或低对比度元件。
如果未能捕捉到铺设错误的电缆、缺失的螺钉或对位不准的连接件等细微缺陷，缺陷产品可能会进入下一生产环节，并最终到达客户手中，引起潜在故障。这些故障可能会导致客户退货、保修期索赔、客户不满意和品牌声誉受损，使制造商为此付出高昂的代价。
复杂机电设备内部的装配组件…一颗螺钉缺失.
在一篇发表在《视觉系统设计》（Vision Systems Design）杂志上的文章中，我们探讨了人工检测和标准机器视觉检测这两种方法与亮度测量和机器学习技术方面的最新进步相比各自的优势。各种检测方法（人工、机器视觉、机器学习和基于亮度测量的先进机器视觉）在识别和量化缺陷以防止遗漏缺陷产品和避免潜在故障方面的表现如何？
人工检测员具有卓越的视觉敏锐度，但他们的表现可能会受到场景复杂度、时间限制和疲劳感的影响。传统机器视觉系统提供速度和可重复性，但受到高动态范围、低对比度场景和细微变化的挑战。它们难以识别多达20%的缺陷，比如随机或无法预测的缺陷。
机器学习可以通过人工智能提高随机缺陷的识别，但需要进行大量培训，由于成本和时间的限制，这样的培训通常超出了合理的承受范围。此外，机器学习系统还受到所呈现的用于分析的图像质量的限制。
人工检测装配件（左）和机器视觉检测太阳能电池板（右）.
相比之下，亮度测量型检测系统采用高分辨率光学成像和分析技术来识别其他检测方法通常会遗漏的缺陷。亮度测量型检测系统擅长识别复杂装配件上和低对比度环境下的缺陷。它们在识别随机缺陷方面的性能优于机器视觉，在一致性和可重复性方面则优于人工检测员。
在所有这些不同的方法中，哪一种最适合解决您的棘手检测挑战？亮度测量型检测系统是如何工作的以及哪些应用最受益于这种技术并提供最显著的投资回报率（ROI）？如需了解更多相关信息，请阅读以下文章：“什么是最适合执行棘手检测任务的装配验证方法？”或者点击了解更多有关Radiant基于亮度测量的总承包装配验证解决方案：INSPECT.assembly™自动化视觉检测站。
