不良品视觉检测是一种基于计算机视觉和图像处理技术的自动化质量检测方法，其原理是通过模拟人类视觉功能，结合算法对产品进行高速、高精度的缺陷识别与分类。以下是其典型工作原理：
1. 图像采集系统
系统通过工业相机、光学镜头和光源组成成像单元。光源根据检测需求（如表面反光、纹理特征）选择特定波长或结构光（如环形光、同轴光），以突出目标特征并减少环境干扰。高分辨率相机以预设频率采集产品图像，部分场景搭配运动控制模块实现动态拍摄。
2. 图像预处理
原始图像经过灰度校正、降噪滤波、对比度增强等处理，消除光照不均或机械振动导致的干扰。通过边缘检测、二值化等技术提取ROI（感兴趣区域），为后续分析提供标准化输入。
3. 特征分析与缺陷识别
采用传统算法与深度学习结合的方式：
- 传统算法：通过模板匹配、形态算检测尺寸偏差，利用纹理分析（如灰度共生矩阵）识别划痕、污渍，通过颜色空间转换发现色差。
- 深度学习：基于CNN（卷积神经网络）的模型通过训练学习缺陷特征，可识别复杂缺陷（如微裂纹、异形变形），适应多品种柔性检测需求。
4. 决策与反馈
系统根据预设阈值或分类模型输出判定结果，触发分拣机构剔除不良品，同时记录缺陷类型、位置等信息。部分系统集成SPC（统计过程控制）模块，实时反馈工艺参数异常。
技术优势：相比人工检测，视觉系统检测速度可达每分钟数千件，精度达0.01mm级，支持24小时连续工作，特别适用于电子元件、药品包装、汽车零部件等精密制造领域。系统可通过迁移学习快速适配新产品，并具备数据追溯功能，助力质量体系优化。
