一瓶水盖子歪了机器不知道：一家饮料厂用AI视觉在线检测灌装质量的完整记录

去年秋天，福建一家饮料代工厂的老板找到我们。他们主要给几个区域品牌代工PET瓶装水，有一条高速灌装线，额定速度每分钟600瓶。问题提得很直接：人工灯检漏检导致客户投诉越来越多了。

投诉的内容集中——瓶盖没旋紧（运输渗漏）、液位不满（消费者觉得"缺斤短两"）、标签歪斜（影响品牌形象）、喷码模糊（批次追溯困难）。最严重的一次，有客户收到一瓶盖子完全没旋上的水，直接在电商平台上给了差评，还拍了视频发到抖音上。

老板说，他们已经配了6个灯检工，每班3人轮岗，站在灌装线两边盯着看。但每分钟600瓶的速度，相当于每秒钟10个瓶子从眼前过，一瓶一瓶看根本不现实。灯检工的实际做法是"抽检"——几分钟看一段，没发现问题就继续放行。漏检率有多高？没人知道确切数字，但品控经理估算至少有15-20%的次品会漏过去。

这篇文章记录了我们怎么用AI视觉来做高速灌装线的在线全检，以及这个过程中遇到的种种问题。

一、现场情况摸底

第一次去车间是在一个周三下午，灌装线正在生产550ml纯净水。在车间里待了两个多小时，一边看一边记：

• 线速：灌装线额定600瓶/分钟，实际跑530-560瓶/分钟（考虑了设备老化和偶尔的卡瓶停机）。瓶子间距比较小，瓶与瓶之间大约间隔3-4cm。
• 瓶型：主要是圆柱形PET瓶，高度约22cm，瓶身直径约6cm。有几种不同的瓶型（不同客户不同规格），同一批次内各瓶之间的高度和直径一致。
• 检测点位：灌装后需要检查的位置有4个——瓶盖（是否旋紧、有无损坏）、液位（是否在标线附近）、标签（有无贴歪、起泡、缺失）、瓶底喷码（日期批号是否清晰、位置是否正确）。
• 现有质量管控：人工灯检（6人排班）、每半小时取1瓶做扭力测试、每2小时取一瓶量液位高度。全是抽检，没有全检。
• 环境条件：灌装车间温度约25°C、湿度较高（约75%RH）、瓶身从灌装段出来时表面带有冷凝水。
• 次品分类：瓶盖问题（未旋紧、歪盖、缺盖）约占投诉的40%，液位问题（不满或过满）约占30%，标签问题（贴歪、起泡、破损）约占20%，喷码问题（模糊、缺码、位置偏）约占10%。

和品控经理聊了聊，他说了一句话让我印象很深："做饮料这么多年，我知道灯检就是个心理安慰——瓶子跑那么快，人眼根本看不过来。" 这句话基本就定调了：必须做在线全检，而且必须是机器视觉。

二、方案设计

方案的核心思路：在灌装线和旋盖机之后、贴标机之后、喷码机之后分别布置视觉检测工位，用一台边缘AI网关统一处理3个工位的图像，检出不合格品后通过气动剔除装置在输送带末端剔除。

第一工位：瓶盖+液位检测（灌装后、贴标前）

这个工位最考验速度。瓶子刚从旋盖机出来，每分钟要处理近600个。分3个检测任务并行运行：

• 瓶盖密封检测：顶部相机拍瓶盖顶部，检测盖子是否旋到底（盖子顶部边缘与瓶口参考线之间的间隙）、盖子有无破损变形、防伪环是否断裂（用力矩旋盖的盖子拧紧后防伪环会断一圈）。
• 液位检测：侧方相机拍瓶身液位线。PET瓶是透明的，但灌装后瓶身有冷凝水膜，透光性下降。
• 缺盖检测：同顶部相机，如果完全没盖子一眼就能看出。

光学方案：顶部用环形LED光源（白光，提供均匀的顶光照明），相机用200万像素全局快门工业相机，镜头焦距8mm，视场覆盖一个瓶盖完整区域。侧方用背光+前光组合——瓶子背面放一块均匀背光板，前面用条形光源补光，让液位线形成清晰的黑白分界线。

第二工位：标签检测（贴标后）

瓶子经过贴标机后进入第二工位。这里检测：标签是否贴到位（上沿和下沿是否在规定的区域内）、标签有无明显歪斜（歪斜角超过设定阈值判定不合格）、标签有无气泡/褶皱/破损。检测需要覆盖瓶身180°的范围（瓶子另一面看不见），所以用了一个90°棱镜+双侧相机方案——两台相机从两侧同时拍摄，覆盖整个瓶身圆周。

第三工位：喷码检测（喷码后）

瓶底喷码，喷的是生产日期和批次号。检测任务：喷码是否清晰可读（对比度是否符合OCR识别要求）、喷码位置是否在指定区域内（偏移超过3mm判定不合格）、是否有缺码（喷码机故障导致漏喷）。

这个环节用了OCR模型——先定位喷码区域，然后用轻量级OCR模型读取字符，再逐个比较字符的完整性。难点在于瓶底是曲面，喷码在曲面上的变形会导致OCR识别困难。

剔除机制

任何工位检出不合格品，边缘AI网关立即发送剔除信号给PLC，PLC在输送带末端的气动剔除站执行剔除操作。考虑到从检测到剔除之间瓶子已经前进了约2-3米（大约0.25-0.3秒），需要在PLC里做一个移位寄存器——用编码器跟踪瓶子位置，把检测结果写入移位寄存器的对应位，等到该瓶子到达剔除位时才触发气动推杆。

教训：最开始我们以为检测到不合格就能立刻剔除，完全忘了输送带是连续运转的。瓶子检测完了已经往前走了一两米，气动推杆推的是后面的瓶子。这是做硬件集成的新手最容易犯的错误——"检测"和"执行"之间隔着物理距离。编码器位置跟踪是必修课。

边缘网关

3个检测工位共5台工业相机（1台顶部 + 1台侧方 + 2台标签 + 1台瓶底），全部通过GigE接口连接到一台边缘AI网关。网关规格：

• 算力：约8 TOPS（使用NPU加速推理）
• 相机：5台全局快门200万像素相机，GigE接口，触发模式
• 触发：编码器信号接入边缘网关，每走一个瓶子间距触发一次
• 剔除接口：Modbus TCP写入PLC寄存器，指示哪一帧图像判定为不合格
• 本地存储：保留最近30天的检测记录（图像+检测结果），供事后追溯

三、实施过程

第一周：光学方案验证和打光调试

光学方案是整个项目的基石。我们先在离线环境下搭建了一个模拟工位，用相同的瓶子和相机验证各检测项的光学条件。

瓶盖+液位工位是最先调试的。顶部环形光拍瓶盖没有问题，但液位检测出了状况。问题的核心是：PET瓶是透明的、水也是透明的——水、瓶壁、空气三者之间的折射率非常接近，普通正面光照明下液位线完全看不到。

试了4种光学方案：

1. 正面背光：在瓶子背面放LED背光板——能看到液位线，但冷凝水在瓶身上形成的水滴干扰严重，水滴的边缘被误判为液位线。
2. 侧面漫射光+偏光滤镜：减少冷凝水反光——有一定效果，但相机帧率下降（加了偏光滤镜进光量减少了约一半），需要更强的补光。
3. 红外光照明：利用水在近红外波段吸收率高的特性——有效！在850nm红外光下，水呈现深色，瓶壁和空气相对较亮，液位线对比度很高。最终方案选了红外背光+红外滤镜。
4. 结构光方案：用线激光在瓶身表面打一条线——理论上最精确，但安装空间不够，放弃了。

标签工位：标签的问题是瓶子是圆柱形的，标签贴在弧面上，从正面拍中间清楚、两边模糊、或者反过来。我们用两台相机从不同角度拍，然后用图像拼接算法合成一个完整的展开图。照明方面用了两个条形光源从左右两侧45°打光，平衡曲面上的光照不均。

瓶底喷码工位：瓶底透光，喷码是黑墨打在透明PET上，对比度不错。但曲面变形是OCR的主要敌人——同一行喷码字符在瓶底边缘比在中心小得多。解决方案是在训练OCR模型时，把不同曲率位置的喷码图片都加入训练集，让模型适应这种变形。

第二周：相机安装和产线集成

离线调试好了，接下来是上产线。安装花了不少功夫：

• 支架设计：每个工位需要一套可调节的支架来固定相机和光源。考虑到了产线的振动——灌装车间有泵、有压盖机、有输送带电机，支架必须有减振设计。我们用了铝合金型材支架+橡胶减振垫，稳住了。
• 防冷凝水：相机和镜头在一个潮湿环境里工作，镜头起雾是大概率事件。方案是在防护罩内加了一个小的加热片（类似工业摄像头的加热窗口），让镜头表面温度略高于环境温度，防止水汽凝结。
• 触发同步：5台相机需要精确同步触发——每检测到一个瓶子，5台相机同时拍照。编码器信号接到边缘网关的GPIO输入，网关作为触发源通过光耦隔离模块同时触发所有相机。

踩坑：第一天上产线测试时发现液位检测工位的图像全是糊的——不是对焦问题，是快门速度跟不上线速。瓶子在600瓶/分钟的线速下移动速度是约1.2米/秒。我们用的全局快门相机需要快门速度至少1/2000s才能拍清楚运动中的瓶子。但红外光的效果需要更长的曝光时间来补偿进光量。折中方案是把红外光强度提高（换了大功率红外灯），快门设为1/2500s，图像清楚了。

第三周：模型训练和阈值标定

模型训练分4个独立模型：

• 瓶盖检测模型：基于YOLOv8n，检测帽子顶部轮廓的完整性和位置偏移。训练用了约3000张标注图片（正常瓶盖2000张、歪盖/破损/缺盖各300多张）。最关键的是标注了"瓶盖边缘到瓶口参考线的距离"——这比单纯分类"好/坏"提供了更精确的判断依据。
• 液位检测模型：用语义分割（轻量级UNet）分割出瓶身区域和水体区域，计算水体区域的高度比例。训练数据1500张（正常液位1000张、不满300张、过满200张）。数据里有不同水位线的图片——550ml和350ml两种瓶型液位线不同。
• 标签检测模型：YOLOv8n检测标签的上沿和下沿，判断位置和歪斜角。训练数据2000张，覆盖了标签贴正、上偏、下偏、歪斜、起泡等缺陷。
• 喷码OCR模型：用轻量级CRNN模型（类似PaddleOCR的tiny版本），专门针对瓶底喷码做了微调。训练数据3000张，包含正常喷码、模糊、残缺、偏移等。

4个模型部署到边缘网关后，做一个帧级别的推理调度——每收到一次触发信号，5张图片并行推理，4个模型同时跑，总推理时间控制在100ms以内（从图像采集到输出检测结论）。

关于推理速度有个教训：最开始我们是在CPU上跑的，4个模型串行推理，一张图片的平均耗时约120ms，5张图像加起来超过600ms——完全跟不上线速。换到NPU推理后，4个模型并行推理，Total time降到约85ms，才算够用。如果算力不够，宁可减分辨率、减模型精度，也得保证推理速度。

第四周：试运行和调优

试运行阶段每天生产约10小时，我们全程在场记录。

第一天的崩溃：系统上线第一天，剔除率高达12%——即12%的瓶子被判不合格被推下线。品控经理一看就急了，说我们正常次品率只有3-4%，你们的系统是不是有问题？

排查下来有几个原因：

• 瓶盖检测模型过度敏感——有些瓶盖在运输过程中被碰了一下，顶部有一点轻微擦痕就被判不合格。而实际这些瓶盖密封是完好的。调整：放宽瓶盖外观缺陷的阈值，只对明显变形/破损/歪斜/缺盖做剔除。
• 液位检测在换批（从550ml切换到350ml）时出现大批误报。原因是模型的液位参考线是基于瓶型预设的，切换瓶型时没有自动更新参数。修复：加入瓶型识别（用顶部相机判断瓶口直径来识别瓶型），自动切换液位阈值。
• 标签工位在换不同客户的瓶子时，不同品牌的标签材质不一样（有的标签是PP收缩膜、有的是PE不干胶），对光的反射特性不同。一开始我们用通用阈值，结果部分标签类型的检测准确率差。解决：给每个客户/瓶型预置独立的标定参数。

调了三天之后，剔除率降到约5.5%，其中经人工复判确认真正不合格品约占总产量的4.2%——和品控经理之前估算的3-4%基本吻合。约1.3%的剔除是误报（正常瓶被推下了线）。误报比例在预期范围内，后续还可以通过模型迭代进一步降低。

真实检出：试运行第二周，系统检出一批瓶盖有系统性问题——某次原料切换后，瓶盖供应商同一批次的盖子偏大，导致旋盖机设定的力矩无法拧紧。人工灯检完全没发现，AI视觉检出了连续12瓶盖子未旋到位。品控紧急换了盖子和调整力矩，避免了3000箱产品的质量事故。这个事件之后，操作工对系统的态度明显转变了——从"这个机器老是乱报警"变成了"今天AI抓了几个坏的？"

四、实际效果

系统跑了约3个月后，我们和数据团队一起做了效果评估。

也有一些没想到的问题。

问题1：红外光源衰减。3个月后液位检测工位的红外光源明显变暗了。排查发现是大功率LED红外灯在高湿环境下散热不良，LED光衰加速。换了防水等级更高的IP66红外灯，并在灯罩内加了散热风扇。

问题2：标签检测的"新标签综合征"。每次客户换新包装（新标签设计、新材质），模型需要约1-2天的新数据来微调。品控现在养成了习惯——新包装上线前提前一周通知我们做模型适配。

问题3：瓶底喷码的脏码。喷码机偶尔会喷出模糊的码——不是喷码机坏了，而是瓶底在灌装过程中沾了水，墨水打在湿的表面就晕开了。生产线在喷码工位前加了一个吹气干燥装置后，问题基本解决。

五、我的思考

这个项目做下来，几个体会比较深：

高速产线的AI视觉，瓶颈往往不在AI而在光学。模型精度做到98-99%不难，难的是让相机在600瓶/分钟、高湿、振动、冷凝水的环境下稳定拍出清晰的图片。红外光的发现是这个项目最大的转折点——如果没有液位检测的光学突破，模型再强也没用。

"检测-剔除"之间的物理距离是新手最容易被忽视的坑。一开始我们花了大量时间搞模型精度，但真正上线时出问题的反而是剔除逻辑和编码器跟踪。模型精度从95%提到98%可能花了两周，但编码器跟踪的逻辑bug修复花了三天。做工业项目的精力分配，应该和做纯软件项目完全不一样。

全检和抽检的心理影响完全不同。抽检时操作工知道"大概没问题就行"，心态上是放松的。全检系统上线后，每个人都看到精确的检测数据——今天多少个瓶盖不合格、液位超了多少次、哪个环节问题比较多。数据透明之后，灌装段的操作工会主动去调整旋盖机的力矩参数，贴标机的操作工会注意标签卷的张力。品控经理说了一句话："以前靠抽检的时候，大家觉得'差不多就行了'。现在每瓶都检、每个数据都记录，大家就较真了。"

消费品行业的质量投诉成本比工厂行业高得多。一瓶盖子没旋紧的水，被消费者拍个视频发到社交媒体上，品牌方的损失可能比那一箱水的成本高几百倍。这就是为什么即使AI视觉方案初期投入不低，饮料厂的ROI也比大多数制造行业更容易算清楚。

六、给你的建议

如果你的产线也在考虑上AI视觉全检，几个经验供参考：

1. 先搞定光学，再谈AI——花足够的时间在现场做打光测试。好的打光方案可以降低模型复杂度，坏的打光方案即使模型再强也救不回来。
2. 高速线必须用全局快门——卷帘快门下运动的瓶子会产生果冻效应，检测精度会大打折扣。
3. 编码器位置跟踪是必修课——"检测"和"剔除"之间隔着物理距离，不要以为检测到结果就能立刻执行。
4. 留足误报空间——上线第一周误报率可能会偏高，给现场团队打好预防针。同时设计好"人工复判"的流程，让AI剔除的瓶子有人确认而不是直接丢掉。
5. 瓶型和产品变更要做好配置管理——不同的瓶型、不同的标签材质、不同的液位线需要不同的检测参数。提前设计好切换逻辑，不要等上线了才现场改。
6. 高湿环境要注意传感器的长周期可靠性——红外光源衰减、镜头冷凝水、传感器接口氧化，这些问题是高湿食品/饮料车间的常态。防护等级和定期维护计划要提前规划。