在3C电子、五金冲压、注塑件加工这类离散制造场景里视觉分拣是产线自动化的核心环节。传统机器视觉方案大多依赖模板匹配边缘拟合换一款工件就要重新做特征模板、调阈值参数调试周期动辄一周起步遇到表面反光、异形结构、姿态随机的工件定位精度直接跳水漏检误检率居高不下最终只能靠人工复检兜底。我们团队去年落地了一套基于YOLO的视觉分拣系统针对3C精密五金件的上料分拣场景用单目2D相机实现目标检测姿态估计一体化输出替代了原有的Halcon模板匹配方案。落地后换型时间从7天压缩到4小时分拣良率从92.3%提升到99.6%单工位节拍稳定在35件/分钟完全满足量产要求。本文从硬件架构、算法设计、数据集构建、工程落地、踩坑总结五个维度完整拆解这套可复现的工业级方案。所有内容均来自量产项目实战没有实验室里的理想假设。一、系统整体架构与硬件选型工业视觉不是单纯的算法问题硬件选型错了算法再强也救不回来。我们这套方案针对的是平面工件上料分拣场景工件随机摆放在传送带上视觉系统定位后引导机械手抓取、分拣到对应料盘。1.1 全栈系统分层架构整套系统从上到下分为四层各层解耦方便后续迭代维护硬件层算法层控制层业务层MES系统对接生产数据上报换型工单下发PLC主控传送带编码器同步机械手运动控制IO信号交互视觉推理引擎YOLO目标检测关键点姿态估计坐标转换与结果输出工业相机镜头光源工控机/边缘计算盒六轴机械手光电传感器1.2 核心硬件选型要点硬件选型的原则是够用就好不盲目堆参数同时预留20%以上的性能余量。工业相机选用500万像素全局快门相机搭配编码器同步触发频闪。全局快门是刚需传送带运动状态下卷帘快门会出现拖影直接导致定位偏差。如果是微小工件可升级到1200万像素。镜头与光源镜头选8mm定焦工业镜头工作距离300mm左右视野范围200mm×150mm满足单帧多工件检测需求。光源用环形漫射光源偏振片专门解决金属工件表面反光的问题这是很多新手容易踩的坑——反光会让边缘提取完全失效。算力单元量产工位用搭载RTX3050的工业工控机即可单帧推理后处理总耗时控制在12ms以内如果工位多、预算有限用Jetson Orin NX 8GB也能跑INT8量化后速度更快。机械手根据负载和工作半径选六轴机械手重复定位精度±0.02mm满足精密装配级的分拣要求。二、算法核心YOLO端到端检测姿态估计传统方案的逻辑是「目标检测→轮廓提取→直线拟合→计算角度」三步链路长每一步都有误差累积而且对光照、表面纹理极其敏感。我们直接用YOLO的关键点检测能力端到端输出目标类别、中心坐标、旋转角度一步到位鲁棒性强得多。2.1 为什么选YOLO关键点方案对比传统机器视觉方案优势非常明显端到端输出不需要分步做边缘提取、轮廓拟合直接输出中心点和角度误差不累积定位更稳定。抗干扰能力强基于深度学习的特征提取对光照变化、表面划痕、轻微油污不敏感不需要频繁调参数。换型效率高新工件只需要采集几百张样本训练半天就能上线不需要重新设计算法逻辑。部署简单和普通YOLO检测模型完全兼容TensorRT、RKNN等部署框架原生支持不需要额外算子。2.2 网络结构改造基于YOLOv11s做轻量化改造在原生检测头的基础上新增关键点分支和检测分支共享骨干Neck特征仅输出头独立参数量仅增加11%推理速度几乎不受影响。每个目标输出2个关键点1个中心点共3个特征点每个点包含x坐标、y坐标、置信度三个值。两个关键点用于计算工件的旋转角度中心点用于校验定位精度也可以作为冗余备份。踩坑经验不要只输出1个中心点1个角度值。直接回归角度会遇到0°和360°的边界突变问题训练时损失震荡不收敛用两个关键点的相对位置计算角度天然规避了边界问题训练更稳定精度也更高。2.3 工业场景关键点定义原则关键点不是随便选的选得不对角度精度会差很多我们总结了三条原则刚性原则必须选工件上的刚性特征比如定位孔、边角、凸台不能选容易形变的位置。远距离原则两个关键点尽量离得远距离越远角度计算的误差越小。比如长条形工件就选两端的特征点不要选同侧的。高区分度原则选特征明显、不容易混淆的点避免对称工件出现180°翻转误判。如果工件完全对称就增加第三个关键点做方向区分。以我们的五金连接件为例选两端的两个定位孔中心作为关键点工件长度25mm两个点距离20mm最终角度精度可以做到±0.4°。2.4 姿态解算逻辑推理得到两个关键点的像素坐标后通过简单的几何计算就能得到工件的中心坐标和旋转角度核心代码如下importmathdefcalc_pose(kpt1,kpt2): 从两个关键点计算工件中心坐标和旋转角度 kpt1, kpt2: (x, y, conf) 格式 # 中心点坐标center_x(kpt1[0]kpt2[0])/2center_y(kpt1[1]kpt2[1])/2# 旋转角度弧度转角度dxkpt2[0]-kpt1[0]dykpt2[1]-kpt1[1]anglemath.atan2(dy,dx)*180/math.pi# 角度归一化到 0~180° 范围根据业务需求调整ifangle0:angle180returncenter_x,center_y,angle如果需要亚像素级的精度可以在关键点周围做高斯拟合进一步细化坐标精度还能再提升0.05个像素左右。三、小样本工业数据集构建与训练优化工业场景最大的痛点就是数据少。一款新工件可能只有两三百张样本稀有姿态甚至只有几十张直接训很容易过拟合。我们总结了一套小样本下的高效训练方法200张样本就能训出可用的模型。3.1 数据采集与标注规范采集覆盖全场景采集时要覆盖不同光照、不同角度、不同摆放密度、不同背景的样本不要只拍理想状态的。尤其是边界情况比如工件半出视野、重叠摆放、表面有油污划痕的一定要多采这些才是现场容易出问题的case。标注一致性优先同一个工件的关键点不同标注员标的位置偏差不能超过1个像素。制定详细的标注规范比如定位孔取圆心、边角取拐点位置标注完成后做交叉校验。格式转换用LabelMe标注关键点导出JSON格式后写脚本转换成YOLO关键点训练格式。注意坐标要做归一化和目标检测的标签放在同一个txt文件里。3.2 小样本增强合成数据域随机化样本量少于500张时一定要加合成数据效果立竿见影。几何增强随机旋转±180°、缩放0.8~1.2倍、平移、翻转模拟工件的各种摆放姿态。注意旋转时关键点坐标要同步变换不要只转图片不转标签。光照与纹理增强随机调整亮度、对比度、加高斯噪声、加运动模糊模拟产线的光照波动和相机噪声。3D合成数据用SolidWorks导出工件的3D模型用Blender渲染不同角度、不同光照、不同背景的图片自动生成关键点标注。我们一般按1:1的比例混合真实数据和合成数据小样本下mAP能提升8~10个百分点。3.3 训练调优技巧工业场景训练不能直接用默认参数针对性调整后精度提升非常明显分阶段微调先用COCO人体关键点预训练权重冻骨干训练20轮让模型快速学习关键点的通用特征然后解冻全部层调低学习率到初始的1/3微调30轮。小样本下不要训太多轮50轮足够多了容易过拟合。损失加权把关键点损失的权重提高到原来的1.5倍优先保证姿态精度。工业场景里角度不准比漏检后果更严重——机械手夹偏了会直接撞坏工件。关闭强增强Mosaic、Mixup这类增强对通用目标检测有用但对关键点检测容易破坏标签的准确性建议训练后期关闭或者把概率降到0.2以下。四、工程落地关键环节算法跑通只是第一步产线能用才是目的。工业落地有几个绕不开的关键环节每一步都影响最终的落地效果。4.1 相机标定与手眼标定这是视觉系统和机械手联动的基础标定不准算法精度再高也没用。相机标定用棋盘格标定板做内参标定校正镜头畸变尤其是大广角镜头畸变带来的边缘误差能到好几个像素。手眼标定我们用的是眼在手外方案相机固定在传送带上方不随机械手运动。用九点标定法机械手带着标定板走到9个不同位置相机分别拍照计算出「像素坐标系→机械手基坐标系」的仿射变换矩阵。标定校验标定完成后一定要做验证机械手走到任意位置视觉计算出的坐标和机械手实际坐标偏差要小于0.1mm不合格就重新标定。产线每周要做一次校准避免机械震动导致标定偏移。4.2 TensorRT部署与性能优化模型训练好后导出ONNX格式转TensorRT FP16引擎部署这是工业落地的标准操作。有几个优化点预处理GPU化把图像缩放、归一化、通道转换全部放到CUDA核里做数据从相机出来直接进显存全程不回CPU端到端延迟能降30%以上。批量推理单帧推理利用率低把两个工位的图像拼成batch一起推理GPU利用率从40%升到75%吞吐量几乎翻倍。后处理轻量化NMS用OpenCV的CPU版本就够因为单帧目标不多一般也就10个以内CPU处理只需要0.2ms没必要特意写CUDA版本。4.3 多目标分拣调度逻辑一帧图像里有多个工件时不能随便乱抓要做调度优化优先级排序按距离机械手当前位置的距离排序先抓近的减少机械手运动距离提升节拍。碰撞规避两个工件距离小于机械手夹爪宽度的只抓一个剩下的下一帧再处理避免夹爪碰倒旁边的工件。跟踪去重传送带是运动的同一工件会连续出现在多帧图像里用卡尔曼滤波做跟踪给每个工件分配唯一ID避免重复抓取。4.4 PLC通讯与产线对接视觉系统和产线的交互全部通过PLC中转不用直接连机械手稳定性更高。通讯用Profinet或者Modbus TCP核心交互信号就三个输入光电传感器触发信号工件到位通知相机拍照。输出检测完成信号附带工件的X、Y、角度、类别数据。输出NG信号遇到无法识别的工件通知产线踢到废料盒。五、实测效果与性能数据我们在五金连接件分拣工位做了72小时连续量产测试数据如下指标传统模板匹配方案YOLO关键点方案提升幅度分拣良率92.3%99.6%7.3%角度精度±1.1°±0.4°提升63%位置精度±0.15mm±0.08mm提升47%单工位节拍22件/分钟35件/分钟59%换型调试时间7天4小时缩短93%误检率3.1%0.2%降低93%速度方面在RTX3050工控机上500万像素图像缩放至640×640推理单帧模型推理耗时6.2ms加上预处理、后处理、坐标转换总耗时11.3ms完全满足产线的实时性要求。六、工业落地踩坑与避坑指南工业现场的环境远比实验室复杂很多看似小的问题都会导致整套系统用不起来。我们踩过的这些坑你大概率也会遇到。6.1 光照漂移问题产线的光源会随着使用时间衰减夏天和冬天的环境光也不一样模型刚上线的时候效果很好过一个月精度就掉了。解决方案光源用恒流驱动器保证亮度稳定相机做自动白平衡校准每天开机时拍一张标准白板做基准模型迭代时加入不同光照的样本提升鲁棒性。6.2 重叠工件处理工件堆叠在一起的时候关键点会被遮挡导致姿态计算错误。解决方案训练时加入一定比例的重叠样本让模型学会识别被部分遮挡的工件推理时设置关键点置信度阈值两个关键点都高于阈值才输出否则判为不可抓取留到下一帧再判断。6.3 机械误差补偿机械手本身有重复定位误差传送带也有走位误差视觉算得再准机械手抓不准也白搭。解决方案做误差补偿矩阵在视野范围内取9个校准点分别计算视觉坐标和机械手实际坐标的偏差生成补偿表运行时实时插值补偿。做完补偿后整体定位精度能再提升30%左右。6.4 产线稳定性保障7×24小时运行的系统稳定性永远是第一位的。软件层面加进程守护程序异常退出自动重启每帧推理超时超过50ms就丢弃不要卡住整个产线。硬件层面相机和工控机用工业级电源加UPS断电保护网线用屏蔽线远离动力线避免电磁干扰导致丢帧。七、方案扩展与总结这套2D视觉YOLO关键点的方案不仅适用于五金件分拣还可以快速迁移到PCB元件定位、食品包装分拣、3C产品装配等场景。如果需要更复杂的3D姿态只需要把单目相机换成3D结构光相机算法逻辑基本不用改适配成本很低。回头看整个项目最大的感悟是工业视觉落地算法只占30%剩下70%都是工程细节。很多团队追求最先进的算法、最高的mAP但产线上真正重要的是稳定、可靠、好维护。YOLO这套方案之所以好用不是因为它理论上有多强而是因为它生态完善、部署简单、迭代快能快速响应产线的各种需求这才是工业落地的核心竞争力。
工业视觉分拣系统：基于YOLO的目标检测+姿态估计全栈解决方案
在3C电子、五金冲压、注塑件加工这类离散制造场景里视觉分拣是产线自动化的核心环节。传统机器视觉方案大多依赖模板匹配边缘拟合换一款工件就要重新做特征模板、调阈值参数调试周期动辄一周起步遇到表面反光、异形结构、姿态随机的工件定位精度直接跳水漏检误检率居高不下最终只能靠人工复检兜底。我们团队去年落地了一套基于YOLO的视觉分拣系统针对3C精密五金件的上料分拣场景用单目2D相机实现目标检测姿态估计一体化输出替代了原有的Halcon模板匹配方案。落地后换型时间从7天压缩到4小时分拣良率从92.3%提升到99.6%单工位节拍稳定在35件/分钟完全满足量产要求。本文从硬件架构、算法设计、数据集构建、工程落地、踩坑总结五个维度完整拆解这套可复现的工业级方案。所有内容均来自量产项目实战没有实验室里的理想假设。一、系统整体架构与硬件选型工业视觉不是单纯的算法问题硬件选型错了算法再强也救不回来。我们这套方案针对的是平面工件上料分拣场景工件随机摆放在传送带上视觉系统定位后引导机械手抓取、分拣到对应料盘。1.1 全栈系统分层架构整套系统从上到下分为四层各层解耦方便后续迭代维护硬件层算法层控制层业务层MES系统对接生产数据上报换型工单下发PLC主控传送带编码器同步机械手运动控制IO信号交互视觉推理引擎YOLO目标检测关键点姿态估计坐标转换与结果输出工业相机镜头光源工控机/边缘计算盒六轴机械手光电传感器1.2 核心硬件选型要点硬件选型的原则是够用就好不盲目堆参数同时预留20%以上的性能余量。工业相机选用500万像素全局快门相机搭配编码器同步触发频闪。全局快门是刚需传送带运动状态下卷帘快门会出现拖影直接导致定位偏差。如果是微小工件可升级到1200万像素。镜头与光源镜头选8mm定焦工业镜头工作距离300mm左右视野范围200mm×150mm满足单帧多工件检测需求。光源用环形漫射光源偏振片专门解决金属工件表面反光的问题这是很多新手容易踩的坑——反光会让边缘提取完全失效。算力单元量产工位用搭载RTX3050的工业工控机即可单帧推理后处理总耗时控制在12ms以内如果工位多、预算有限用Jetson Orin NX 8GB也能跑INT8量化后速度更快。机械手根据负载和工作半径选六轴机械手重复定位精度±0.02mm满足精密装配级的分拣要求。二、算法核心YOLO端到端检测姿态估计传统方案的逻辑是「目标检测→轮廓提取→直线拟合→计算角度」三步链路长每一步都有误差累积而且对光照、表面纹理极其敏感。我们直接用YOLO的关键点检测能力端到端输出目标类别、中心坐标、旋转角度一步到位鲁棒性强得多。2.1 为什么选YOLO关键点方案对比传统机器视觉方案优势非常明显端到端输出不需要分步做边缘提取、轮廓拟合直接输出中心点和角度误差不累积定位更稳定。抗干扰能力强基于深度学习的特征提取对光照变化、表面划痕、轻微油污不敏感不需要频繁调参数。换型效率高新工件只需要采集几百张样本训练半天就能上线不需要重新设计算法逻辑。部署简单和普通YOLO检测模型完全兼容TensorRT、RKNN等部署框架原生支持不需要额外算子。2.2 网络结构改造基于YOLOv11s做轻量化改造在原生检测头的基础上新增关键点分支和检测分支共享骨干Neck特征仅输出头独立参数量仅增加11%推理速度几乎不受影响。每个目标输出2个关键点1个中心点共3个特征点每个点包含x坐标、y坐标、置信度三个值。两个关键点用于计算工件的旋转角度中心点用于校验定位精度也可以作为冗余备份。踩坑经验不要只输出1个中心点1个角度值。直接回归角度会遇到0°和360°的边界突变问题训练时损失震荡不收敛用两个关键点的相对位置计算角度天然规避了边界问题训练更稳定精度也更高。2.3 工业场景关键点定义原则关键点不是随便选的选得不对角度精度会差很多我们总结了三条原则刚性原则必须选工件上的刚性特征比如定位孔、边角、凸台不能选容易形变的位置。远距离原则两个关键点尽量离得远距离越远角度计算的误差越小。比如长条形工件就选两端的特征点不要选同侧的。高区分度原则选特征明显、不容易混淆的点避免对称工件出现180°翻转误判。如果工件完全对称就增加第三个关键点做方向区分。以我们的五金连接件为例选两端的两个定位孔中心作为关键点工件长度25mm两个点距离20mm最终角度精度可以做到±0.4°。2.4 姿态解算逻辑推理得到两个关键点的像素坐标后通过简单的几何计算就能得到工件的中心坐标和旋转角度核心代码如下importmathdefcalc_pose(kpt1,kpt2): 从两个关键点计算工件中心坐标和旋转角度 kpt1, kpt2: (x, y, conf) 格式 # 中心点坐标center_x(kpt1[0]kpt2[0])/2center_y(kpt1[1]kpt2[1])/2# 旋转角度弧度转角度dxkpt2[0]-kpt1[0]dykpt2[1]-kpt1[1]anglemath.atan2(dy,dx)*180/math.pi# 角度归一化到 0~180° 范围根据业务需求调整ifangle0:angle180returncenter_x,center_y,angle如果需要亚像素级的精度可以在关键点周围做高斯拟合进一步细化坐标精度还能再提升0.05个像素左右。三、小样本工业数据集构建与训练优化工业场景最大的痛点就是数据少。一款新工件可能只有两三百张样本稀有姿态甚至只有几十张直接训很容易过拟合。我们总结了一套小样本下的高效训练方法200张样本就能训出可用的模型。3.1 数据采集与标注规范采集覆盖全场景采集时要覆盖不同光照、不同角度、不同摆放密度、不同背景的样本不要只拍理想状态的。尤其是边界情况比如工件半出视野、重叠摆放、表面有油污划痕的一定要多采这些才是现场容易出问题的case。标注一致性优先同一个工件的关键点不同标注员标的位置偏差不能超过1个像素。制定详细的标注规范比如定位孔取圆心、边角取拐点位置标注完成后做交叉校验。格式转换用LabelMe标注关键点导出JSON格式后写脚本转换成YOLO关键点训练格式。注意坐标要做归一化和目标检测的标签放在同一个txt文件里。3.2 小样本增强合成数据域随机化样本量少于500张时一定要加合成数据效果立竿见影。几何增强随机旋转±180°、缩放0.8~1.2倍、平移、翻转模拟工件的各种摆放姿态。注意旋转时关键点坐标要同步变换不要只转图片不转标签。光照与纹理增强随机调整亮度、对比度、加高斯噪声、加运动模糊模拟产线的光照波动和相机噪声。3D合成数据用SolidWorks导出工件的3D模型用Blender渲染不同角度、不同光照、不同背景的图片自动生成关键点标注。我们一般按1:1的比例混合真实数据和合成数据小样本下mAP能提升8~10个百分点。3.3 训练调优技巧工业场景训练不能直接用默认参数针对性调整后精度提升非常明显分阶段微调先用COCO人体关键点预训练权重冻骨干训练20轮让模型快速学习关键点的通用特征然后解冻全部层调低学习率到初始的1/3微调30轮。小样本下不要训太多轮50轮足够多了容易过拟合。损失加权把关键点损失的权重提高到原来的1.5倍优先保证姿态精度。工业场景里角度不准比漏检后果更严重——机械手夹偏了会直接撞坏工件。关闭强增强Mosaic、Mixup这类增强对通用目标检测有用但对关键点检测容易破坏标签的准确性建议训练后期关闭或者把概率降到0.2以下。四、工程落地关键环节算法跑通只是第一步产线能用才是目的。工业落地有几个绕不开的关键环节每一步都影响最终的落地效果。4.1 相机标定与手眼标定这是视觉系统和机械手联动的基础标定不准算法精度再高也没用。相机标定用棋盘格标定板做内参标定校正镜头畸变尤其是大广角镜头畸变带来的边缘误差能到好几个像素。手眼标定我们用的是眼在手外方案相机固定在传送带上方不随机械手运动。用九点标定法机械手带着标定板走到9个不同位置相机分别拍照计算出「像素坐标系→机械手基坐标系」的仿射变换矩阵。标定校验标定完成后一定要做验证机械手走到任意位置视觉计算出的坐标和机械手实际坐标偏差要小于0.1mm不合格就重新标定。产线每周要做一次校准避免机械震动导致标定偏移。4.2 TensorRT部署与性能优化模型训练好后导出ONNX格式转TensorRT FP16引擎部署这是工业落地的标准操作。有几个优化点预处理GPU化把图像缩放、归一化、通道转换全部放到CUDA核里做数据从相机出来直接进显存全程不回CPU端到端延迟能降30%以上。批量推理单帧推理利用率低把两个工位的图像拼成batch一起推理GPU利用率从40%升到75%吞吐量几乎翻倍。后处理轻量化NMS用OpenCV的CPU版本就够因为单帧目标不多一般也就10个以内CPU处理只需要0.2ms没必要特意写CUDA版本。4.3 多目标分拣调度逻辑一帧图像里有多个工件时不能随便乱抓要做调度优化优先级排序按距离机械手当前位置的距离排序先抓近的减少机械手运动距离提升节拍。碰撞规避两个工件距离小于机械手夹爪宽度的只抓一个剩下的下一帧再处理避免夹爪碰倒旁边的工件。跟踪去重传送带是运动的同一工件会连续出现在多帧图像里用卡尔曼滤波做跟踪给每个工件分配唯一ID避免重复抓取。4.4 PLC通讯与产线对接视觉系统和产线的交互全部通过PLC中转不用直接连机械手稳定性更高。通讯用Profinet或者Modbus TCP核心交互信号就三个输入光电传感器触发信号工件到位通知相机拍照。输出检测完成信号附带工件的X、Y、角度、类别数据。输出NG信号遇到无法识别的工件通知产线踢到废料盒。五、实测效果与性能数据我们在五金连接件分拣工位做了72小时连续量产测试数据如下指标传统模板匹配方案YOLO关键点方案提升幅度分拣良率92.3%99.6%7.3%角度精度±1.1°±0.4°提升63%位置精度±0.15mm±0.08mm提升47%单工位节拍22件/分钟35件/分钟59%换型调试时间7天4小时缩短93%误检率3.1%0.2%降低93%速度方面在RTX3050工控机上500万像素图像缩放至640×640推理单帧模型推理耗时6.2ms加上预处理、后处理、坐标转换总耗时11.3ms完全满足产线的实时性要求。六、工业落地踩坑与避坑指南工业现场的环境远比实验室复杂很多看似小的问题都会导致整套系统用不起来。我们踩过的这些坑你大概率也会遇到。6.1 光照漂移问题产线的光源会随着使用时间衰减夏天和冬天的环境光也不一样模型刚上线的时候效果很好过一个月精度就掉了。解决方案光源用恒流驱动器保证亮度稳定相机做自动白平衡校准每天开机时拍一张标准白板做基准模型迭代时加入不同光照的样本提升鲁棒性。6.2 重叠工件处理工件堆叠在一起的时候关键点会被遮挡导致姿态计算错误。解决方案训练时加入一定比例的重叠样本让模型学会识别被部分遮挡的工件推理时设置关键点置信度阈值两个关键点都高于阈值才输出否则判为不可抓取留到下一帧再判断。6.3 机械误差补偿机械手本身有重复定位误差传送带也有走位误差视觉算得再准机械手抓不准也白搭。解决方案做误差补偿矩阵在视野范围内取9个校准点分别计算视觉坐标和机械手实际坐标的偏差生成补偿表运行时实时插值补偿。做完补偿后整体定位精度能再提升30%左右。6.4 产线稳定性保障7×24小时运行的系统稳定性永远是第一位的。软件层面加进程守护程序异常退出自动重启每帧推理超时超过50ms就丢弃不要卡住整个产线。硬件层面相机和工控机用工业级电源加UPS断电保护网线用屏蔽线远离动力线避免电磁干扰导致丢帧。七、方案扩展与总结这套2D视觉YOLO关键点的方案不仅适用于五金件分拣还可以快速迁移到PCB元件定位、食品包装分拣、3C产品装配等场景。如果需要更复杂的3D姿态只需要把单目相机换成3D结构光相机算法逻辑基本不用改适配成本很低。回头看整个项目最大的感悟是工业视觉落地算法只占30%剩下70%都是工程细节。很多团队追求最先进的算法、最高的mAP但产线上真正重要的是稳定、可靠、好维护。YOLO这套方案之所以好用不是因为它理论上有多强而是因为它生态完善、部署简单、迭代快能快速响应产线的各种需求这才是工业落地的核心竞争力。
