关键要点
- 2D视觉只能捕捉X和Y数据，因此与高度、角度或体积相关的缺陷仍然不可见。
- 错误的技术会增加成本，错过缺陷，或者让失败的机器人拣选继续向下移动。
- 决定性测试很简单：对比度能否解决问题，还是检查需要深度数据？
您的相机拍摄的最清晰的图像可能正是缺陷漏检的原因。如果缺陷存在于高度、深度或体积中，2D 相机就无法看到。这不是分辨率问题。这是一个维度问题，也是制造团队可能犯的代价最高的错误之一。
2D 视觉和 3D 视觉之间真正的区别是什么？
2D 机器视觉在 X 轴和 Y 轴上捕捉平面图像，读取对比度、颜色和图案。3D 机器视觉 添加了 Z 轴，生成深度数据作为点云或高度图。第三个轴很重要。它使系统能够测量体积、角度和真实几何形状，而不仅仅是一张平面图片。
2D 系统会问：“这看起来对吗？” 3D系统会问：“这个形状正确吗？” 一个2D相机可以在几毫秒内检测到焊点的存在或不存在，但它无法告诉你该焊点的体积是否正确，或者零件是否倾斜到足以卡住机器人的夹具。为此，你需要深度信息，而不是更好的照片。
二维视觉 | 三维视觉 | |
|---|---|---|
| 捕获的数据 | 仅X和Y（平面图像） | X、Y和Z（深度、体积、角度） |
| 典型优势 | 速度、低成本、高吞吐量 | 几何形状、体积、空间位置 |
| 常见用途 | 条形码读取、OCR、标签检查、有无 | 焊点体积、机器人箱拣选、共面性、装配验证 |
| 照明依赖性 | 高；需要稳定的受控照明 | 对于许多方法来说较低；几种方法可以容忍可变光 |
| 相对成本 | 前期投资较低 | 前期投资较高，通常由于逃逸缺陷较少而抵消 |
| 主要限制 | 无法测量高度、角度或真实体积 | 对于简单的基于对比度的检查来说，可能会显得过于复杂 |
为什么选择错误的维度会花费如此之多？
选择错误的维度会从两方面增加成本。在简单的检查中过度指定3D会增加不必要的硬件。在需要深度数据的任务中使用2D会漏检缺陷，或者使工程师陷入无休止的重新照明循环。
指定视觉系统归结为投资回报率：将系统的成本与缺陷到达客户的成本进行权衡。一个常见的模式是试图用2D工具解决3D问题。如果您的产品变化足够大，以至于没有照明设置能够可靠地工作，那么您需要的是体积（3D）数据。
"我们有一个生产多种颜色铅笔的消费品客户，他们需要测量托盘中的铅笔位置。他们的2D相机一直难以处理对比度，因为颜色与背景差异太大，所以他们最终为几乎每个产品创建了一个单独的作业。当我们测试In-Sight L38 3D相机时，它通过使用形状而不是对比度解决了颜色问题。客户可以更轻松地测量铅位置。"
Hee-Seong Lee，高级应用工程师，客户成功，康耐视
何时应使用 2D 机器视觉？
2D 机器视觉是正确的选择 当缺陷可以通过对比度、颜色或形状单独识别时，而无需知道其高度、深度或角度。它是高速生产线的最快、最具成本效益的选择。
- 读取和验证包装、标签或组件上的条形码
- 光学字符识别 (OCR) 用于 批次代码、到期日期和可追溯性
- 有无检查，例如缺少盖子或标签
- 表面缺陷检测，颜色和对比度揭示缺陷
- 高速生产线，每个零件的检测时间以毫秒计算
大多数制造商已经拥有2D基础设施：视觉系统、视觉传感器或条形码读取器。与合适的机器视觉照明配合使用，2D视觉通常是更经济的解决方案。
何时需要3D机器视觉？
当没有稳定的2D照明设置可以工作，因为您的产品变化太大，或者当检测确实依赖于体积或几何数据时，您需要3D机器视觉。这些条件，而不是预算，应该决定技术。
几何公差严格的行业严重依赖3D视觉。汽车和电动汽车电池制造商使用它进行面板对齐，而电子制造商则依赖它来确认2D图像无法捕捉的焊点体积。机器人团队也使用它，引导夹具朝向2D对比无法定位的随机方向部件。
康耐视提供专为这些场景设计的3D视觉系统，从紧凑型激光位移传感器到用于机器人引导的区域扫描3D相机。
3D视觉如何处理BOS创新案例研究中的随机部件位置和反射率
这就是错误尺寸的错误变得非常昂贵的地方。BOS Innovations是一家为国防、金属、采矿和核工业服务的OEM，需要自动化机器人箱拣选随机位置和高反射表面的锆棒。2D系统无法可靠地确定随机放置和反射的部件的深度。
BOS Innovations 选择了一套康耐视 3D 视觉系统，该系统将激光位移技术与智能相机和无斑点蓝激光相结合。这种组合消除了反射表面可能产生的背景噪音，使机器人能够精确地瞄准目标，尽管零件的位置是随机的。自从部署该系统以来，最终客户提高了质量控制和生产效率，减少了对人工的依赖，并将员工重新分配到更高价值的工作中。
阅读完整故事：BOS Innovations 如何利用康耐视 3D 机器视觉实现机器人料箱拣选自动化
您应该选择哪种 3D 技术？
没有单一的“3D 视觉”技术。立体视觉、结构光、激光三角测量和飞行时间等技术以不同的方式捕捉深度，具有不同的成本、速度和精度。选择错误的方法本身就是一种错误。
技术 | 工作原理 | 最适合 | 限制 |
|---|---|---|---|
| 立体视觉 | 两个摄像头像人眼一样三角测量深度 | 仓库尺寸、箱拣、户外或可变光场景 | 需要表面纹理来关联点；精度低于结构光 |
| 结构光 | 投射已知的光图案并读取其失真 | 表面缺陷，高分辨率3D模型 | 视野狭窄；需要静止或稳定的物体 |
| 激光三角测量 | 投射激光线并以已知角度测量 | 传送带检查，计量，移动部件 | 需要部件和传感器之间的相对运动 |
| 飞行时间（ToF） | 测量光在每个像素上反弹所需的时间 | 紧凑、经济实惠的深度传感 | 精度低于结构光；易受其他光源干扰 |
人工智能如何改变2D与3D的决策？
人工智能视觉，叠加在2D或3D硬件上，越来越多地决定了您是否能发现缺陷。但它并没有消除维度问题。《质量杂志》报道，人工智能视觉检测目前是制造业质量中最成熟的人工智能应用案例，主要用于表面检测。这有助于识别自然变化的缺陷，如划痕与金属纹理。在2D图像上的深度学习仍然无法看到从未捕捉到的深度。
投资趋势也印证了这一点：德勤2025年对600名高管的调查显示，视觉系统在未来24个月的技术投资优先级中名列前茅，28%的受访者提到了这一点。
错误决策的实际成本是多少？
选择错误技术的成本体现在废品、返工、漏检、机器人引导失败或不断重新照明等方面，这些成本都不会出现在价格标签上。
- 漏检：要求2D系统评估深度，最终会通过一个坏的零件
- 集成拖累：将2D照明修复强加到深度问题上会消耗工程时间
- 机器人引导失败： 2D对比度无法定位随机定向或反射的零件
- 过度工程：在仅对比任务中指定3D会增加成本而没有价值
Lee表示，这些成本通常在检查本身之前就开始了，当时团队没有确认机器是否可以以支持可靠图像捕获的方式呈现零件。
零件呈现通常是被忽视的细节。像In-Sight L38这样的激光三角测量传感器需要线性运动和比2D快照更长的采集时间。团队需要尽早确认他们的机器能否以足够的时间一致地呈现零件，以捕捉可靠的3D图像。视觉引导机器人和拾取放置增加了复杂性：从移动的传送带上拾取需要相机通信、传送带同步和PLC集成，所有这些都需要在测试开始之前进行规划。
他还警告说，一旦3D成为正确的选择，图像质量仍然取决于应用环境和零件几何形状。
反射材料可以在3D点云中产生尖峰和孔洞，透明材料可以破坏结构光或激光图案，使得难以获取可用的3D图像。高度和几何形状也会引起他们自己的问题。高墙或深孔可以阻挡激光或结构光到达物体的一部分，这种现象称为阴影，这使得扫描区域几乎没有数据或没有数据。
如何为您的应用选择2D和3D视觉？
根据检查所需的数据进行选择，而不是市场上最新的硬件。首先浏览这些问题。
- 能否通过对比度、颜色或图案从平面图像中评估缺陷？
- 部件或操作环境的变化是否足够大，以至于没有单一的2D照明设置能保持可靠？
- 应用是否需要体积、角度或真正的几何公差？
- 部件是否随机定向或反射性足够强，以至于2D机器人引导无法识别？
- 与3D硬件相比，逃逸缺陷或失败拾取的成本是多少？
如果答案指向对比度和速度，2D是正确的选择。如果它们指向几何、体积或不可预测的部件位置，3D不是升级销售；它是解决这个问题的唯一工具。
Lee建议将排序作为起点，而不是事后考虑，因为应用细节决定了2D或3D能否产生可靠的检查。
如果我能改变客户对此决定的一个方面，那就是排序。在假设任一尺寸是答案之前，团队应定义产品、重要的功能、检查目标、材料差异和预期差异。同样重要的是，要尽早了解自动化的真实限制。新机器可能允许对零件进行完全操作，而固定过程可能限制旋转或循环时间。即使3D是正确的选择，这些限制仍然可能阻止可靠的图像。
获得专家帮助选择合适的视觉系统
正确获取尺寸可以保护产量、吞吐量和团队可以花在更高价值工作上的劳动时间，而不是花在故障排除不合适的系统上。
常见问题
在选择2D和3D视觉之前，应该收集哪些信息？
在选择视觉系统之前，定义产品、检查目标、缺陷类型、材料变化、预期公差、周期时间以及零件将如何呈现给相机。最重要的问题是 缺陷是否可以通过对比度、颜色或图案检测到，或者应用程序是否需要高度、角度、体积或真实几何形状。一个 条形码、标签、OCR或 存在检查通常指向2D机器视觉。一个 焊点、间隙和齐平问题、共面性检查或随机定位的零件通常指向3D机器视觉。计算逃逸缺陷的成本与3D硬件的额外成本之间的关系也很有帮助，因为正确的选择是基于检查风险，而不仅仅是初始系统价格。
零件的呈现如何影响2D与3D视觉的决策？
零件的呈现可以决定2D或3D检查是否可行。2D相机需要稳定的视图，受控照明，以及足够的视觉对比度，以便特征从背景中脱颖而出。3D系统需要支持深度捕捉的条件，这可能包括一致的运动、足够的采集时间和无遮挡地访问零件几何形状，而不会产生阴影。例如，激光三角测量需要零件和传感器之间的相对运动，而从传送带上进行机器人拾取可能需要相机通信、传送带同步和PLC集成。如果机器无法始终如一地呈现零件，即使正确的视觉技术也可能难以生成可靠的图像。
人工智能可以使2D视觉系统像3D视觉一样工作吗？
不能。人工智能可以使2D检测更加灵活，但它不能创建相机从未捕捉到的深度数据。深度学习在2D图像包含难以用传统规则定义的视觉变化时特别有用，例如区分真实的表面缺陷与正常的纹理或材料纹理。《质量杂志》指出，人工智能视觉检测是目前制造业质量中最成熟的人工智能应用案例，主要用于表面检测和缺陷检测。但如果检测依赖于焊点体积、零件高度、倾斜度、间隙或真实几何形状，系统仍然需要3D机器视觉。人工智能改进了分类，而不是传感器捕获的物理数据。
3D视觉是否总是比2D视觉更准确？
不，准确度完全取决于测量的对象，而不是使用的维度。对于围绕对比度、颜色或图案构建的应用，例如 读取条形码 或 验证标签，一个照明良好的2D系统与尝试完成相同任务的3D系统一样准确，而且速度要快得多。只有当检查确实需要深度、体积或几何数据时，3D视觉才会成为更准确的选择，而这些数据是平面图像无法捕捉的，例如测量焊点高度或验证零件方向以进行机器人引导。对于2D已经可以可靠解决的任务，使用3D视觉会增加成本和处理时间，而不会改善结果。准确性的真正衡量标准是系统是否捕捉到实际上揭示缺陷的数据类型，而不是它是否具有额外的轴。