一家食品厂怎么用AI视觉在包装线上抓异物：完整实施记录

今年年初，广东东莞一家休闲食品厂找到我们。他们生产坚果和膨化类零食，日产能大概10万包，两条包装线靠4个工人灯检挑异物。

问题说穿了就一句话：人眼看久了会花。工人盯传送带盯了一个小时后，头发丝、塑料片、小石子这些东西就很容易漏过去。最严重的一次，有客户在袋子里吃出了塑料片，直接投诉到食药监，工厂被罚了款还停了半天产线整顿。

老板年初就下了死命令：今年必须上视觉检测方案。

这篇文章不是什么成功学案例，就是记录我们实际做了些什么、踩了哪些坑、最后效果怎么样。

一、现场情况摸底

去车间看了两次，记录了几个关键问题：

• 产线情况：两条卧式包装线，运行速度约60包/分钟，包装袋在传送带上间距大概10厘米
• 异物类型：主要是头发丝、包装碎屑、产品焦糊粒、偶尔有小石子——尺寸从0.5mm到5mm不等
• 现有质检方式：4个工人分两班，站在传送带两侧用LED灯板打光目视检查
• 车间环境：有一定油雾和粉尘，温度偏高（约35度），振动比较大（隔壁就是粉碎机）
• IT条件：车间没有网络布线，但有4G信号

这几个条件决定了方案设计的方向：检测精度要高、但要能扛住车间恶劣环境、最好不需要连云端——万一断网了检测不能停。

二、方案设计

最终方案分三层：采集成像层、边缘AI推理层、异常处置层。

成像系统：相机+光源方案

比对了几种方案后，选定了线阵工业相机加高亮LED条形光源的组合：

• 相机：200万像素黑白工业相机，配12mm定焦镜头，帧率设到90fps
• 光源：高亮白色LED条形灯，两侧45度交叉打光——这个角度对透明塑料片和头发丝的反差比较大，有经验的光学厂家跟我们说"交叉打光，异物阴影会拉长变明显"，试过之后确实效果明显
• 安装方式：在传送带上方架设一个封闭式检测暗箱，内部贴哑光黑布消除环境光干扰
• 触发方式：用光电传感器检测包装袋位置，触发相机拍照，保证每包都能拍到

这里有个细节花了点时间：包装袋是半透明的铝箔材质，背光打过去袋子内容物的纹理和异物混在一起，AI根本分不清。后来改成正面打光+暗色背景，异物和内容物之间的对比度才拉出来。

边缘AI推理：本地实时检测

在产线旁边装了一台边缘AI网关，不依赖云端：

• 接收相机图像，每包拍2-3张（多角度），每天大约17万张
• 跑轻量化YOLOv8n模型做异物检测，单张推理耗时控制在30ms以内
• 本地保存7天的检测记录和异常图片
• 检测到异物后，通过IO信号发送剔除指令给下游气吹装置
• 4G模块把每天的检测摘要（总检数、异常数、误报数）上传云端看板

之所以选边缘网关而不是上云，主要是三个原因：产线不能停，万一断网检测还得继续；每天17万张图片全传云端流量太大；检测延迟必须控制在200ms以内，云方案的网络抖动不靠谱。

异常处置：自动剔除+人工复核

检测到异物包之后，系统做两件事：

• 通过IO信号触发气吹装置，把有问题的包吹到旁边的剔除通道
• 在边缘网关的本地屏幕上显示剔除包的图片，人工复核确认

人工复核的原因很简单：初期AI误报率肯定不低，直接废掉所有报警包浪费太大。人工看一眼确认一下，是假阳性就放回传送带，是真阳性就记录归档。

三、实施过程

第一周：成像系统搭建和打光调优

硬件安装本身两天就搞定了——架暗箱、装相机、拉电源线，不算复杂。但打光调试花了整整三天。

第一天照着光学厂家的推荐方案布光，拍了500张测试图，发现两个问题：

• 铝箔包装袋的反光太强，某些角度下整张图亮成一片白，什么异物都看不到
• 坚果内容物本身形状不规则，在图像里碎屑和异物的边缘特征非常接近

调整方案：把条形灯从45度改成60度（更倾斜），加装偏振片减少反光。同时把相机曝光时间从2ms降到0.8ms，抑制过曝。前后换了4种打光角度组合才找到相对合适的配置。

踩坑教训：打光比选相机重要得多。我们之前花了很多时间挑相机参数，后来发现光源角度和安装位置才是决定检测精度的关键因素。如果重来一次，我会先花三天做光学测试，再定方案。

第二周：数据集构建和模型训练

自己拍了大约1万张产线真实图片做基础数据集。然后做了几件事：

• 标注：找了两个人标注了3天，标出异物区域（头发丝、塑料片、焦糊粒、石子四类），共计约8000个标注框
• 增强：做了旋转、翻转、亮度变化、高斯噪声——主要是模拟不同打光条件和传送带振动带来的图像差异
• 训练：用YOLOv8n在边缘网关本地跑了大概6个小时，初始mAP 0.72，离目标0.85还差点
• 迭代：加了更多难样本（比如半透明的塑料片、碎渣），重新训练后mAP到了0.81

这里遇到一个实际困难：很多异物太小了（头发丝不到1mm粗），在图像里只有十几个像素宽。YOLOv8n对这种极小目标检测效果一般。后来我们做了一件事：在模型前加了一个超分辨率模块（用FSRCNN做了2倍放大），把小目标的像素撑大后再送检测模型。代价是推理时间从30ms涨到了45ms，还在可接受范围内。

第三周：联调和上线试运行

模型+系统联调阶段遇到的问题比较多：

• 剔除延迟问题：从相机拍照到气吹动作，总延迟约350ms。但传送带速度是60包/分钟，一包过去只要1秒。算下来每包有650ms的滑窗时间。实际测试中350ms延迟够用，但余量不大。后来调高相机帧率缩短了采集等待时间，降到280ms。
• 振动干扰：传送带振动导致相机图像偶尔模糊。解决方案是加了减振支架，并在图像采集时做实时锐度检测——模糊图直接丢弃重拍。
• 误报爆炸：上线第一天，剔除通道不停地响，一个上午剔了800多包。人工复核后发现90%是假阳性——把包装袋封口处的压痕、内容物碎屑误判成了异物。当天下午调整了置信度阈值从0.5提到0.75，误报降到了30%左右，但检出了几包真有异物的。

踩坑教训：不要一上来就追求高检出率。先把阈值调高跑几天，让工人适应系统，再逐步降低到可接受的误报率。工厂现场最怕的是"狼来了"效应——误报多了工人就不信系统了。

第一个月：调优和参数微调

上线第一个月大方向是对了三件事：

• 误报持续降低：通过收集误报样本重新训练，到第三周误报率降到了约15%，第四周降到约8%。最终的稳定水平在5%左右——即100个报警里约5个是假阳性。这个水平工人能接受，每天人工复核量约200-300包。
• 漏检案例分析：前两周漏了3个真阳性——都是极小片状异物（约1mm大小）。翻看日志发现是相机角度问题，异物被包装袋边缘遮挡了。调整相机俯仰角后漏检情况好转。
• 环境适应性：车间白班和夜班的温湿度不一样，光照条件也有变化（窗户自然光）。我们的模型在光照变化下产生了额外的误报。解决方式是在数据增强里加了更多的亮度变化模拟，回炉训练一次后稳定了。

四、实际效果

系统上线稳定运行2个月后，统计了几个关键数据：

另外有几个非预期的效果：

• 工人劳动强度降低了很多——以前需要全程精神高度集中盯传送带，现在主要精力放在复核剔除包上，工作节奏合理了很多
• 产线调整时的反馈更快了——比如换产换包装袋材质后，如果新材质导致大量误报，系统能立刻反映出来，不用等人发现
• 数据积累的价值开始显现——2个月积累了约1000万张图像数据，为后续做更精准的检测模型打下了基础

五、遇到的问题和解决办法

除了前面提到的，还有几个值得单独说的问题：

问题一：包装袋规格变化带来的模型退化

工厂有十几种产品规格，包装袋大小、颜色、材质都不一样。模型在一种规格上训练得好，换到另一种就容易误报。试过统一训练集混着训，效果也有起伏。

解决方式：每个产品规格做一个独立的模型文件，换产时手动切换模型。虽然笨，但在当前的条件下反而是方法。后续考虑做一个自动模型选择模块——根据当前产品条码自动加载对应模型。

问题二：春季回南天导致的镜头起雾

广东3-4月回南天，车间湿度很高，相机镜头镜片起雾，图像模糊了整整两天才发现。后来给检测暗箱加了密封圈和除湿包，并在软件里加了图像质量检测——发现清晰度下降超过阈值就推送告警给维护人员。

问题三：气吹剔除装置偶尔漏吹

检查发现是电磁阀响应时间不稳定。换了一款响应速度更快的电磁阀后解决。这个跟AI系统无关，但提醒了我们：检测准了但剔除环节掉链子也是白搭。

六、个人的思考

这个项目做完以后，我自己的几个感受：

AI视觉落地工厂，光学方案比模型选型重要得多。我们团队做软件出身，刚开始一门心思扑在模型精度上。后来发现同样一个模型，换个打光角度精度能从0.7跳到0.85。光源、角度、偏振、暗箱——这些硬件层面的东西才是工厂场景下的决定性因素。

模型精度不是唯一指标，稳定性才是。在实验室里跑mAP 0.9很容易，但放到产线上连续跑一周不出问题很难。振动、温湿度变化、包装袋批次差异——这些"脏"因素才是工厂场景的常态。让模型在这些条件下保持稳定的误报率和漏检率，比单纯刷精度要难得多。

人工复核环节短期内不会消失。AI在工业质检里目前还做不到100%可靠。设计流程时把人工复核当作系统的一部分而不是系统的补充——这样的架构才务实。与其追求"无人化"，不如先做到"减人增效"。

数据是越早积累越好。2个月积累了千万级图像数据，这些数据本身的价值可能比当前的检测模型还大。有了这些数据，后续可以做更复杂的模型、针对特定异物做专项优化。工厂如果还在犹豫"什么时候上AI"，答案就是现在开始攒数据。

七、给你的建议

如果你也在考虑类似的AI视觉检测项目，几点实在的建议：

1. 先做光学测试，再定方案。花一周时间打光试拍，看看不同光源角度下的成像效果。这一步做完基本就知道项目能不能成。
2. 从一条产线试点，别一上来就铺开。选一条问题产线先跑通，积累经验和数据后再横向复制。
3. 留出至少3周的调优期。不要指望上线第一天就好用。误报率从50%降到5%需要至少两三周的持续调优。
4. 让产线工人参与方案设计。他们最清楚"什么东西经常出现"、"什么时间容易出问题"。这些一线知识对模型训练和阈值设定很有帮助。
5. 做好设备环境防护。工业相机在工厂环境里的寿命比想象中短——灰尘、高温、振动都会加速老化。选IP65以上的防护等级，定期做镜头清洁维护。