自动化设备机器视觉OK与NG，漏失与过杀

在自动化设备机器视觉领域中，OK与NG、漏失与过杀是常见的评估指标和可能遇到的问题，以下是对这些概念的解释和说明：

 

一、OK与NG

 

• OK：在机器视觉中，OK通常表示被检测物体或区域符合预设的质量标准或要求，即系统判断其为合格品。

 

• NG：与OK相反，NG表示被检测物体或区域不符合预设的质量标准或要求，系统判断其为不合格品。

 

二、漏失与过杀

 

• 漏失（漏检）：0%

 

• 定义：指机器视觉系统未能检测到实际存在的缺陷或问题，将不良品误判为正常品。

 

• 影响：漏失是影响产品质量稳定性的重要因素之一，可能导致后续生产流程中的质量问题或客户投诉。

 

• 原因：可能包括设定了过高的缺陷阈值、图像获取设备性能不佳（如相机分辨率低、照明不足等）、算法局限性等。

 

• 过杀：6%

 

• 定义：指机器视觉系统过于敏感，将正常品误判为不良品。

 

• 影响：过杀会导致生产效率下降和成本增加，因为正常品被错误地剔除或标记为不合格品。

 

• 原因：可能包括设定了过低的缺陷阈值、图像干扰（如阴影、反光等）、算法泛化能力不足等。

 

三、应对措施

 

为了减少漏失和过杀问题，可以采取以下措施：

 

• 优化图像采集设备：增强照明效果，调整相机参数（如曝光时间、白平衡等），确保图像输入清晰稳定。

 

• 改进和优化算法：使用更先进的图像处理和机器学习算法，提高算法对复杂和特殊模式的处理能力，同时增强算法的泛化能力和鲁棒性。

 

• 调整检测参数：根据实际应用场景和需求，合理设定缺陷检测的阈值，避免过高或过低的阈值导致漏检或过杀。

 

• 增加训练数据多样性：通过扩增数据集，特别是增加样本少的类别的数据，以及使用不同环境、条件下的图像数据来训练模型，提高模型对不同情况的适应能力。

 

• 定期验证和调整系统：设定一系列标准化测试用例，对系统进行综合性能评估，包括准确度、重复性、实时性等指标。根据测试结果，对系统参数和算法进行进一步调整和优化。

 

综上所述，OK与NG是机器视觉系统对物体或区域质量判断的结果，而漏失与过杀则是系统判断过程中可能出现的问题。 通过采取相应的应对措施，可以有效地减少这些问题，提高机器视觉系统的性能和稳定性。