关键要点
- 分层思考，而不是设备。 标记、捕捉、感知和人工智能各自解决一个问题。价值来自于将它们连接起来，而不是购买更好的单个设备。
- 将工具与任务相匹配。 传感器确认存在，条形码读取器捕获身份，视觉系统进行检查。基于规则的视觉工具在可预测的环境中可靠地定位缺陷，而人工智能在处理可变的、有机的缺陷方面表现出色。
- 截止日期会变动，但追溯的要求不会改变。 合规日期会因市场和行业而异，但监管机构和客户对可靠可追溯性的期望却在不断攀升。无论适用何种规则，提前建立合规性都能保护利润率、品牌和审计准备状态。
什么是制造中的可追溯性以及为什么它很重要
制造和物流中的可追溯性意味着通过生产过程和分销的每一步跟踪零件、批次或产品，并在每个点都有可验证的记录。有了可追溯性数据，公司可以记录零件在供应链中的位置、执行特定过程的供应商或机器以及其他有价值的信息。
制造和物流公司使用可追溯性信息来：
对高效、全面可追溯性的压力是真实的。在一项2024年调查中，超过750名来自美国、英国和德国的质量领导者中，73%表示他们在过去五年中发布了产品召回，48%报告的召回次数比五年前更多。许多受访者认为单次事件造成的损失在1000万至5000万美元之间，最坏的情况接近1亿美元。这些诱因通常是可避免的。标签和过敏原错误在美国、加拿大、英国、欧盟、澳大利亚和新西兰等国家和地区，是食品召回的主要原因之一。与那些采用低效可追溯性措施的制造商相比，投资于可追溯性准备工作的制造商可将召回相关成本降低多达50%。
专家见解：如果客户明天可以改变可追溯性的一个方面，那会是什么？
阿马雷什·达什，高级应用工程师： “在机器视觉应用的设计阶段，从数据层开始是非常重要的。人们常常没有考虑到他们需要什么数据以及如何收集这些数据。
例如，假设我正在制造汽车发动机，并使用数据矩阵码收集信息，并用条形码扫描仪读取它。如果几个月后我收到客户投诉或遇到问题，我可以告诉你发动机是在哪里、何时以及由谁制造的，以及原材料来自哪里。但所有这些都需要在一开始就决定。
在可追溯性方面，重要的是要确定您的数据需求，而不是直接选择合适的解决方案。”
可追溯性系统的五个层次
端到端可追溯性解决方案由五个相互连接的层组成，而不是一堆独立的设备。缺少一层，链条就会断裂。功能强大的检查相机可能能够定位缺陷，但除非另一个组件可以读取代码并传递该信息，否则它将无法将该缺陷与相关部件联系起来。同样，如果数据从未到达您的 机器视觉软件 和制造执行软件（MES），那么成功的条形码扫描就毫无意义。
| 层 | 它回答的问题 | 示例技术 | 输出到下一层 |
|---|---|---|---|
| 打标 | 这部分承载什么身份？ | 永久或应用代码 | 永久或应用代码 |
| 采集 | 代码上写了什么？ | 解码后的ID字符串 | 解码后的ID字符串 |
| 感应 | 零件是否存在，位置在哪里？ | 触发和位置信号 | 触发和位置信号 |
| AI 技术 | 这个模棱两可的案例是通过还是失败？ | 已验证的读取或缺陷调用 | 已验证的读取或缺陷调用 |
| 数据 | 这发生在何时何地？ | 统一可追溯事件记录 | 统一可追溯事件记录 |
将五个可追溯性层映射到每个问题的表格，显示数据从标记的代码通过读取、传感和人工智能解释流入统一的MES、ERP或EPCIS事件记录。
传感器、视觉系统和条形码读取器之间有什么区别？
这是工厂中最常见的混淆点，当团队购买错误的工具时，会花费金钱。条形码扫描仪读取代码以捕获零件或产品信息。视觉传感器和视觉系统可以广泛解决类似的机器视觉挑战，但在应用复杂性方面存在显著差异。
视觉系统执行质量检查，如缺陷检测、分类、装配验证和测量/量规。视觉传感器位于中间，处理简单的通过或失败检查，而无需进行全面检查。
从核心问题开始，然后选择设备：
| 设备 | 核心问题 | 典型任务 | 数据输出 |
|---|---|---|---|
| 视觉传感器 | 这个功能正确吗? | 简单的存在或通过/失败检查，触发 | 布尔结果（通过/失败，OK/NG） |
| 读码器 | 这个条形码上写的是什么? | 解码1D、2D和DPM代码 | ID字符串（序列号、产品号） |
| 视觉系统 | 有缺陷吗？ 这个字母数字代码是什么意思？ | 测量、对齐、检查、OCR | 丰富的检测加上ID数据（缺陷分类，划痕/污渍） |
比较表，通过每个核心问题区分光电传感器、视觉传感器、条形码读取器和视觉系统，显示数据丰富度从简单的开关信号上升到完整的检测和识别输出。
康耐视专家见解：如何向认为视觉传感器和视觉系统可以互换的工厂经理描述它们之间的区别？
阿马雷什·达什，高级应用工程师： “视觉系统拥有先进的处理器和强大的硬件，可以处理复杂的应用，例如在单个图像中进行多次检查或关注多个区域。我们的视觉系统可以学习识别新的缺陷或新特征，并使用人工智能将细微的缺陷与可接受的异常区分开来。
另一方面，视觉传感器是一种经济高效的解决方案，旨在提高易用性。它们最适合几乎没有变化的基本应用，如检测间隙的存在、测量零件的特征或验证基本装配。
所以，从广义上讲，如果您要解决一个简单的问题，视觉传感器是您的理想选择，而视觉系统更适合复杂的应用。”
什么时候需要基于规则的视觉，什么时候需要人工智能？
基于规则的视觉在具有固定标准和几乎没有变化的确定性任务中表现出色，例如测量间隙、检查标签位置或验证组装组件。人工智能更适合于具有有机变化的应用，或者“好”和“坏”的结果在零件之间几乎无法察觉地不同的应用。当缺陷抵制固定规则时，您需要人工智能，而不是将其作为可靠的基于规则的工具的全面替代品。
例如，在一个经过抛光的金属部件上，划痕和自然纹理在基于规则的系统中看起来几乎一模一样，因此它要么将“良好”的部件标记为有缺陷，要么错过真正的缺陷。人工智能通过示例学习差异，就像训练有素的检查员一样。该技术解决了基于规则的系统无法检测到的缺陷，但它并不是一种通用的升级。
| 因素 | 基于规则的视觉 | 深度学习视觉 |
|---|---|---|
| 最适合 | 确定性、固定标准 | 有机、可变缺陷 |
| 应用示例 | 测量尺寸、验证已知代码、检查标签位置 | 将细微缺陷与视觉上相似的背景分离，验证复杂、高变异性组件 |
| 设置 | 编程参数 | 在标记图像集上训练 |
| 计算能力 | Lower | 更高，通常是边缘GPU |
| 失败时 | 外观变化不可预测 | 训练数据稀少或不具代表性 |
对比规则基础和深度学习机器视觉在最佳使用案例、示例、设置、计算需求和故障模式方面的对比表，显示规则基础适用于固定标准，而深度学习适用于可变、有机缺陷。
同样的划分也适用于读取代码。基于人工智能的解码可以读取受损或模糊的代码，这些代码使用规则基础工具是无法读取的。对于所有确定性问题，经过良好调整的基于规则的解决方案更容易、更快地验证。
康耐视专家见解：基于规则的视觉系统何时仍然是最佳选择？您多久看到一次团队投资于他们不需要的人工智能？
丹尼尔·拉皮杜斯，高级应用工程师： “许多人认为人工智能是解决视觉问题的万能钥匙，但实际上它只是工具箱中的另一个视觉工具。在某些情况下，例如使用DataMan条形码扫描仪时，人工智能工具可以增强现有的读取损坏或遮挡条形码的能力。但仅靠人工智能无法解决图像采集问题。机器视觉的核心功能始终是捕捉清晰的图像。
我也看到过很多人默认使用人工智能工具来解决问题，而基于规则的工具则可以以更少的努力获得相同或更好的结果。对于定位边缘、测量和计量等应用，基于规则的工具更容易设置且更一致。
人工智能工具非常适合定性数据，如分类和定位缺陷，以及读取标准规则工具可能遇到问题的数据，如果呈现的数据与预期不符。但对于许多应用，人们会尝试强迫人工智能解决应用问题，而基于规则的工具才是最佳解决方案。”
您应该选择条形码扫描器还是视觉系统来读取代码？
条形码扫描仪读取1D和2D代码，无论是打印在标签上还是DPMs上。视觉系统还可以检查标签、检查位置或检测缺陷。许多生产线同时运行这两种功能。条形码扫描器在高吞吐量应用中表现出色，而视觉系统则涵盖了读取和检查的组合任务。
决策取决于一个站点需要执行多少任务。在线速度下读取代码需要专用扫描器。组合任务更倾向于使用一个触发器即可读取代码并检查零件的视觉系统。
| 标准 | 固定条形码读取器 | 视觉系统 |
|---|---|---|
| 主要工作 | 快速读取条形码 | 读取字符、代码并检查 |
| 处理量 | 最高 | 高，每件加工更多 |
| 添加任务 | 有限的，基于标准的评分（SBG） | 标签检查，位置，OCR，质量分级 |
| 每站成本 | Lower | 更高的 |
| 最佳匹配 | 以线路速度进行纯扫描 | 组合读取和检查站 |
选择固定式条码阅读器和视觉系统读取代码的比较表，显示固定式阅读器在纯解码速度和成本方面胜出，而视觉系统则增加了检查任务，如标签和位置检查。
美国物流解决方案公司如何重建入站扫描
美国物流解决方案公司是一家位于德克萨斯州的第三方物流供应商，该公司用免提式条码阅读站取代了劳动密集型的手持式扫描，用于入站处理。操作员现在将包裹标签朝上放在传送带上，读取器会处理剩下的工作。结果是读取率提高，每天捕获数千个条形码，投资回报迅速。
该团队曾依赖移动终端和指环扫描器，这些设备在处理大量包裹时速度慢且对操作员来说很困难。在该设施其他地方已经运行的六条 康耐视模块化视觉隧道的基础上，他们在进站口部署了 固定式 DataMan 条码扫描器。操作员只需将包裹卸下并放在传送带上，然后查看每日扫描总数、读取率和未读取原因的报告，使用存储的图像来追踪任何遗漏。
结果是可衡量的。读取率提高了0.5%，这些站点现在每天捕获多个独特的纸箱，而旧流程则忽略了这些纸箱，增加的吞吐量带来了真正的收入捕获，并且回报迅速。两个站点已上线，计划在其他站点和新用例（如托盘构建扫描）中进行更多审查。
连接可追溯性的投资回报率（ROI）是多少？
连接可追溯性的投资回报率体现在避免召回成本、恢复吞吐量和减少人工劳动。召回事件的损失通常在1000万到1亿美元之间，而可追溯性准备可以将这一损失减半。最近的制造业调查显示，同类投资的产出增长了20%。
数学支持预防。根据美国质量协会的基准，许多制造商的劣质成本占销售额的15%至20%，因此即使在低端，每年的5亿美元运营成本也高达7500万美元。连接可追溯性通过将缺陷隔离到几分钟而不是几天的时间内，将召回范围从最坏情况缩小到有针对性的召回。
康耐视专家见解：您认为可追溯性方面即将发生什么变化，而大多数团队今天却忽视了这一点？
丹尼尔·拉皮杜斯： “工厂自动化正在采用通用扫描系统，这是物流行业多年来一直在做的事情。
我们在数据中心看到很多这样的情况，那里有各种不同的内存单元、硬盘驱动器、固态驱动器和其他产品。数据中心客户希望即时读取设备上的所有数据，例如序列号、零件号和制造信息。
客户需要一个系统，无论产品上的代码类型如何，都可以收集数据并解释这些信息。我们一直在使用 OneVision 开发应用程序，以客户可以始终如一地使用的方式解析和收集这些信息。
该解决方案将集中不同产品上的各种代码和信息，使数据中心客户更容易适应新产品。它将显著提高生产率。客户不必浪费时间和资源，为进入其设施的新产品单独贴标签和标记。相反，他们将能够将这些信息输入到一个通用扫描系统中，并立即访问数据。”
将扫描仪、传感器和人工智能系统结合在一起
扫描仪、传感器和人工智能系统在为一个共享记录提供数据而不是作为孤岛运行时，能发挥最大价值。标记、捕捉、感知和人工智能各自解决一部分问题。数据层将它们连接在一起。将可追溯性视为一个集成架构，一个标记的批次就变成了两分钟的查询，而不是两天的慌乱。
从最痛苦的地方开始，一次一个站点，一次一个干净的层，并将每个新的读数连接到同一记录中。这就是单点解决方案如何成为可扩展的产品可追溯性技术，以满足您的需求。