在包裝行業做質檢，誰不想從從容容、游刃有余地當個“找茬大師”？

但現實卻往往相反——面對特殊紋理、材質反光、柔性包裝形變、高速產線節拍等典型難題，質檢員常常是匆匆忙忙、連滾帶爬。這些“魔鬼細節”讓傳統視覺看不清、抓不準；而單純依賴 AI，又可能在邊界判斷、實時處理上“掉鏈子”。

結果就是：復雜的看不出，簡單的還誤判——產線穩不下來，人也跟著被迫“加班”。

而這正是In-Sight 8900會成為良好“好助手”的原因：它把傳統視覺的“規則精度”與AI的“智能識別”加以組合，讓包裝檢測在復雜條件下依舊穩住節奏，實現真正的從容應對。

典型應用場景解析|

多紋理?多缺陷?通通一網打盡

基于兩條真實產線的驗證,我們把現場最常“折磨”

質檢的挑戰,歸納為兩類典型場景:

紋理與背景干擾嚴重，微小瑕疵極易漏檢

多缺陷并存、規則復雜的食品包裝檢測

場景一

復雜紋理不搗亂,內外缺陷檢測更“絲滑”

(來自實際奶片生產線的應用場景)

01|核心挑戰

奶片臟污檢測:奶片直徑僅20mm,粉色背景

紋理易產生干擾;包裝柔性形變導致內部缺陷不易區分;奶片包裝檢測:縱封不良,袋型偏移,大切破缺陷,連包等多維度外觀檢測需求。

02|策略拆解

奶片臟污檢測環節

在臟污檢測環節,要在粉色紋理背景里“揪出”微小污點,可不是件輕松事。為讓缺陷真正被看見，康耐視團隊首先對光源進行了精準調校:

其次在算法應用層面:AI與傳統視覺工具各司其

職、同時上陣——

ELClassify:處理面積較大的臟污缺陷,分類得分穩定≈98,可靠度在線;

ELSegment+Filter:盯準小黑點、微異物,先分割再膨脹預處理,讓細小缺陷無處遁形;

Blob+ROI調優:確保奶片被準確定位,檢測流程在高速節拍下依然“穩住不抖”。

“AI+傳統工具”實現“1+1>2”的效果

奶片包裝檢測環節

在包裝檢測環節,形態不規則的缺陷需要精準識別:縱封不良、袋型偏移、大切破、連包.…...想全部拿下,光“看得見”還不夠,還得在定位準、判得穩這兩件事上同時發力。

要讓奶片包裝上的各種缺陷都“無處藏身”,把AI與傳統視覺工具合理組合,是提升定位與識別穩定性的可靠方式。

ELClassify:對包裝左右端的大切破進行分類判斷,模型分數穩定 90+;

PatMaxRedLine:穩定鎖定外包裝Logo區域，為大切破檢測提供統一參照;

Caliper:測量封口寬度與袋型偏移,當縱封不良或袋型變形時快速觸發異常。

“Al+傳統工具”實現“1+1>2”的效果

“AI+傳統工具”的組合拳,最終表現相當硬核:

奶片臟污檢測場景:單次取像+處理約85ms;

奶片包裝檢測場景:取像+處理總耗時約79ms。可滿足產線13片/秒的高速節拍。

場景二

面對復雜規則,智能識別“有條有理”

(來自實際山楂棒產線的應用場景)

01|核心挑戰

同一物料需同時識別7類缺

陷:方向反、變形、穿孔、粘棒、未插棒、不完整物料、單獨紙棒。

02|策略拆解

面對多缺陷、結構規則復雜的包裝檢測場景,康耐視為客戶推薦了一套“AIX傳統視覺的混合拳”策略

ELSegment:面對粘連、區域邊界不規則等難題時進行精細分割,圈定問題區域更“干凈利落”;

FindPatMaxRedLine:為每個物料先定好“標準朝向”,奠定后續檢測基準;

DetectBlobs(結合輪廓規則):用于判斷形變與結構完整性,并通過像素統計/長寬比快速識別單獨紙棒。

整體流程單件處理約65ms,所有推理均在智能相機內完成,高速產線也能穩定跑。

“Al+傳統工具”實現“1+1>2”的效果

AI 賦能包裝檢測|

打造“穩定·可復制”的行業方案

依托多條真實產線的驗證，In-Sight 8900讓包裝檢測從“能用”走向“好用·可規模化復用”，價值清晰、效果可量化:

01

復雜紋理x 微缺陷:穩定輸出不看運氣

面對紋理干擾、柔性包裝形變、黑點/臟污等高難度場景,In-Sight 8900的混合式策略讓“難點變常規”:

傳統視覺

精準定位、邊界判定、規則邏輯不走偏;

AI工具

提升對多紋理、微瑕疵、多變背景的識別穩健性。

02

AI X 傳統視覺組合拳:可靠度與可解釋性同步在線

檢測鏈路分工更加清晰、可控:

AI工具

搞定最棘手 的部分--復雜形變、細小缺陷、多類別異物;

傳統視覺

負責確定性判斷一-計數、定位、幾何規則、結構完整性。

03

高節拍支持:輕量化部署·原地升級

無需 PC、無需重構產線,也能跑出高性能:

79-85 ms(奶片)/65 ms(山楂棒)的高速處理;

讓檢測從“匆匆忙忙”變得“游刃有余”。

In-Sight 8900幫你把節奏拉回可控狀態，讓產品穩定識別。