PROJECT BACKGROUND
某日化行业客户在瓶装洗衣液产线上，长期依赖人工目检进行外观质量把控，覆盖瓶盖、瓶身和标签三大区域共计二十余种缺陷类型。随着产能提升与品质要求趋严，人工检测在一致性、效率和成本上的瓶颈日益突出，客户希望引入机器视觉方案实现自动化检测，并将漏检率与过检率均控制在10%以内。
项目挑战
本项目面对的是日化行业典型的多材质、多弧面、高反光检测场景：瓶盖为圆形旋转体，需配合旋转机构实现全周检测；瓶身弧面不规则，不同位置反光差异大；标签为高反光材质且贴合在弧面上，反光干扰与弧面畸变叠加。三大区域缺陷类型各异，对光源方案和算法选型提出了全方位的考验。
- 瓶盖区域缺陷类型多，需组合多种光源反复验证最优打光方案；
- 瓶身弧面反光显著，需精细的光源与成像配合才能稳定采集；
- 标签区域缺陷种类最多，需传统视觉与深度学习算法协同应对；
- 客户对漏检率和过检率均有严格要求，方案需兼顾灵敏度与稳定性。
解决方案
针对三大区域各自的成像特点，团队采用"分区治理、光源定制、算法分级"的整体思路：不同区域独立设计光源与成像组合，同一区域内根据缺陷特征选择传统视觉或深度学习算法，确保每类缺陷匹配最优检测路径。
- 光源策略：选用多种光源组合压制弧面与高反光材质的镜面反射，兼顾间隙类与透射型等不同缺陷的成像需求；
- 相机布局：瓶身采用多相机分区覆盖控制畸变，标签区域通过多工位配合实现全区域检测；
- 算法分级：形态规则且对比度高的缺陷采用传统视觉工具快速判定；刮花、翘起、起皱等形态多变的缺陷使用深度学习工具提升泛化能力；OCR识别独立工位配置专用镜头，缩小视野以提升识别精度与稳定性。
项目成果
经过多轮光源实验与样本验证，项目在三大区域成功实现了核心缺陷的自动化检测能力，覆盖瓶盖、瓶身、标签三大区域的关键质量管控点。
- 瓶盖区域：歪盖、划痕、是否有盖等核心缺陷均可稳定检测；
- 瓶身区域：外来污染、标签粘贴偏移、液位线异常等均实现自动化检出；
- 标签区域：刮花、翘起、起皱等复杂缺陷通过深度学习工具成功识别，生产日期OCR识别验证通过；
- 整体方案漏检率与过检率均控制在10%以内，满足客户产线部署要求。
项目已为客户从人工目检向自动化检测的转型奠定技术基础，助力产线质量管控效率与一致性显著提升。