十年打磨：家用乳胶手套四工位视觉检测系统实战解析

说个可能让外行没想到的事：家用乳胶手套这种又便宜又“不起眼”的产品，反而是工业视觉里最难啃的骨头之一。十年前我在车间里看质检员干活，两只手把充气后的手套往灯箱上一套，转着圈找针孔和黑点，一分钟过十几只，一天下来眼睛全是红的。当时所有人都觉得这活就该人干，因为手套太软、太透、太容易反光，相机根本“看”不清。直到后来我们把四工位视觉检测系统真正跑起来，用上了 Hexagon AI 平台，我才敢说这条路走通了。这篇文章就围绕这条产线从人工目检到四工位视觉检测的十年过程，把当初遇到的问题、试过的错、最终定型的方案都摊开来讲，给准备做软性材质外观检测的朋友做个参考。

家用乳胶手套虽然单价低，但产量极大，一条产线一天出几万双，质量要求一点不低。针孔会漏水，黑点和杂质影响美观，卷边不齐会被退货。人工目检跟不上批量，机器视觉又觉得“不划算”，所以这个品类当年基本是视觉公司不愿意碰的领域。我们算是被逼着从零开始啃，走了整整十年，才趟出一条能稳定量产、误报可控、节拍达标的路。

1. 为什么是家用乳胶手套：一个被视觉行业嫌弃了十年的品类

1.1 量大价低，检测成本根本撑不住

先交代一下背景。家用乳胶手套的出厂价是按“打”或者按“箱”算的，折算到单只，利润非常薄。手套厂老板算账很简单：如果上一套视觉检测设备要花几十万，每只手套摊下来的检测成本比人工还高，那就没有任何意义。所以早年我们找视觉公司询价，对方一听是乳胶手套，基本都不愿意接。他们说这活“又脏又软又反光”，就算做出来，项目周期也得一年起，售后能把自己耗死。

但事情在慢慢起变化。一方面，招工越来越难，质检岗位又累又枯燥，年轻人不愿意干；另一方面，终端客户开始要求每批货都带检测报告，抽检比例从5%一路提到100%。我到今天都记得，某个大客户来验厂时指着瑕疵品说：“这种针孔漏水的，你们人工能保证不流入市场吗？”那一刻我们都清楚，人工目检的天花板已经摸到了。

1.2 人工目检的三大天花板：疲劳、标准、招工

人工目检的痛点，说来说去就是三个：疲劳、标准、招工。

疲劳很好理解。质检员一天要看几千只手套，每只手在手模上转两圈，要在高亮灯箱下盯黑点、针孔、杂质。连续工作两个小时之后，漏检率会明显上升。我们做过统计，上午第一小时的漏检率大约在2%，到下午换班前能涨到8%以上。别小看这个数字，一条线一天漏出去的次品可能就是几百只。

标准不统一是更隐蔽的问题。老师傅能分出“黑点是原料杂质还是碳化颗粒”，新员工却把所有深色点都当成缺陷，误杀率很高。不同班次、不同人的松紧尺度完全不一样，导致客诉忽高忽低。虽然我们做过标准样卡和培训，但人的判断终究不稳定。

招工难在过去几年越来越突出，质检岗位的流失率常年居高不下。培训一个熟练质检员要三个月，人家刚上手就辞职，线长气得直摇头。所以后来我们立了一个规矩：能用自动化解决的问题，绝不再用人工填坑。

1.3 真正决定“必须突围”的，是质量标准变了

最关键的转折，是质量标准变了。早年手套厂对缺陷的定义很宽：针孔直径小于0.3毫米的可以接受，黑点不超过1毫米的算合格品。可家用手套越来越往礼品化、品牌化方向走，客户对表面外观的要求近乎苛刻——指尖有针孔要退，掌心有黑点要退，就连卷边上的轻微毛刺都会被投诉。

如果还靠人工目检，要么漏检被罚款，要么误杀导致成本飙升。哪个工厂都扛不住。所以我们的诉求非常明确：用一套视觉检测系统，做到全天候、统一标准、每分钟检测速度不低于人工，漏检率低于0.5%，误报率控制在可接受的范围内。这个目标听着不算夸张，但真正落地花了很长时间，因为难点根本不在算法，而在成像。

2. 四工位到底怎么分工：正面、内部、针孔、分选

2.1 四个工位不是四台相机那么简单

很多朋友一听到“四工位”，下意识以为是四台相机并列拍四张照片。实际上我们的四次成像，分别解决完全不同的物理问题，光源、相机、机构都是单独设计的。

整个系统的主体是一台24工位转盘机，手套套在金属手模上，跟随转盘做步进式运动。每个工位停留大约1.8秒，转盘走一圈正好完成一只手套的全部检测。四个检测工位依次完成以下任务：

这么分的原因很直接：掌面外观和背面内部缺陷，需要的打光方向完全相反；针孔检测必须让手套撑起来，否则针孔在自然状态下是闭合的；尺寸测量又需要稳定的机械定位，和外观检测的“找瑕疵”逻辑不同。如果强行用一台相机一个模型解决所有问题，光源和机构上一定会打架。

2.2 转盘节拍与工位同步：24工位，每工位1.8秒

转盘机的节拍设计是项目成败的关键。最初我们试过直线轨道流水线，手套在皮带上往前走，相机在固定位置拍照。听起来没问题，但手套是柔性物体，在皮带上会滚动、歪斜，每次成像时手模的位置都不一样，导致相机视野要么截断了指尖，要么把多只手套拍进同一幅图。反复调了很久，最后只能推翻直线方案，改成转盘式步进机构。

转盘机的逻辑类似旋转木马：手模固定在工位上，转盘转到位就停一下，停下后相机拍照、光源频闪、检测完成，再转到下一工位。这样每次停位时手模的空间位置是确定的，视野稳定，重复精度可以控制在1毫米以内。24个工位意味着同时在线的手套有24只，每个工位停1.8秒，产线节拍大约是每分钟33只，比人工快了不少。

同步逻辑上最容易出问题的是光源频闪和相机触发的配合。我们最初用接近开关触发拍照，但转盘停位瞬间有个微小抖动，导致照片有时拍早了，手模还没完全稳定。后来改成了伺服电机到位信号直接触发，配合硬触发相机，才把抖动造成的影响压下去。

2.3 为什么要给针孔检测单独留一个工位

很多做视觉的朋友觉得针孔检测应该放到外观工位里一起做，反正都是找缺陷。但实际上针孔是乳胶手套最致命的问题，而且它跟外观缺陷的物理特性完全不同。

针孔在自然状态下是闭合的，肉眼看就是一个小得几乎不存在的凹陷，只有在充气状态下，针孔周围被撑开，才会形成张力薄弱点。我们用了一个类似“土办法”的思路：工位三有一套小型气动夹爪，会把套在手模上的手套口部夹住并充入大约3kPa的压缩空气，让手套微微鼓起来。然后在暗场环境下，从手套背面打高亮面光源，正面用相机拍摄。

正常手套的乳胶是半透明的，透出来的光是均匀的；针孔处因为厚度变薄，透光率会突然升高，形成一个明显亮点。传统算法靠阈值分割就能找出这种亮点，但难点在于区分“针孔亮点”和“乳胶里的气泡亮点”。气泡在充气后会鼓起一个小包，透光形态和针孔完全不同。我们后来是用深度学习模型学会区分这两种特征的，误判率才降下来。

3. 乳胶手套成像的三个坎：透光、反光、贴合褶皱

3.1 透光让缺陷和背景“糊”在一起

乳胶手套的材质是半透明的，这给成像带来了一个非常麻烦的问题：大部分缺陷的对比度都不高。黑点还算好，因为黑色和乳白色反差明显；但杂质、水渍、薄厚不均这些，缺陷区域和周边正常区域的灰度差可能只有十几个灰度值，在图像上看起来就是一团模糊的影子。

我们最开始用普通面光源正面打光，拍出来的图像就像隔着磨砂玻璃看东西，缺陷完全被“糊”进去了。后来才意识到，乳胶这类半透明材质不能靠正面反射光成像，必须利用它的透射特性。于是外观工位也加了背光补偿，让光从手模内部透出来，把材料厚度的变化变成灰度变化。缺陷区域的厚度和密度与正常区域不同，透光率就有差异，图像上就能分出层次。

这里有个经验：乳胶手套检测的光源不能一步到位，一定要在现场反复调。我们前后换了四套光源方案，从环形光到同轴光再到组合光，才找到最合适的成像方式。每换一次光源，模型训练数据就得重新采集，这也是项目周期被拉长的原因之一。

3.2 反光把黑点变成亮点：偏振片+低角度光的组合

乳胶手套表面有一层光滑的光泽层，在强光下会产生镜面反射。这个问题非常坑：黑点本来是吸光的，结果因为表面反光，局部区域变成了刺眼的亮点，把真实缺陷淹没了。更诡异的是，手套在卷曲位置会出现高光条纹，这些条纹在图像上看很像裂纹，误报率一度高得离谱。

解决反光的核心思路是消除镜面反射分量。我们的做法是在相机镜头前加偏振片，同时在光源前面也加偏振片，让光源发出的光先经过偏振，再照射到手套表面。镜面反射会保留偏振方向，而漫反射会改变偏振方向，所以相机端的偏振片可以把镜面反射滤掉，只留下包含缺陷信息的漫反射光。

光源角度同样重要。低角度环形光以接近水平的方向照射手套表面，可以突出表面颗粒感，让黑点和杂质产生阴影轮廓。我们最终定型的方案是：外观工位用45度到60度之间的低角度环形光，配合偏振片组合，曝光时间控制在300微秒左右，拍出来的图像能同时看到表面纹理和缺陷轮廓。

3.3 贴合褶皱的阴影怎么和真实缺陷区分

手套套在手模上不可能完全服帖，尤其是在手指根部、虎口这些位置，会出现褶皱和轻微拱起。褶皱在图像上会形成细长阴影，和裂纹、划痕非常像。传统算法初期的误报，至少有七成来自褶皱阴影，而不是真实缺陷。

这个问题光靠光源很难解决，因为褶皱阴影本质上是几何结构造成的，光源怎么打都不可避免。我们当时想了两个办法：一个是指导模型专门学习褶皱特征，让模型知道这些区域的“纹理”是正常的；另一个是在数据标注的时候，把褶皱区域单独标成一类，而不是简单标成“正常”或“缺陷”。这样模型在训练时就能区分“褶皱产生的阴影”和“缺料产生的阴影”，虽然它们看起来很像，但边缘形态和高光分布存在细微差异。

实际效果是，加了褶皱类别后，外观工位的误报率下降了大约一半。这也给我一个启发：在深度学习视觉项目里，把“干扰项”当成一种独立类别去训练，比单纯扩大“正常”样本的效果更明显。

3.4 光源方案的定型参数

把成型后的光源参数写在这里，给准备做类似项目的朋友一个参考：

• 外观工位：低角度环形光源，角度约50度，光源前加偏振膜，相机镜头加偏振片，曝光时间300微秒，光源亮度80%。
• 内部工位：背光板亮度100%，前光补光亮度30%，曝光时间500微秒，主要靠背光看轮廓，前光辅助看表面。
• 针孔工位：高亮面光源，光源亮度100%，暗室环境，相机曝光时间200微秒，增益关到最低，避免噪声干扰。
• 尺寸工位：用840nm红外光，避免环境光干扰，配合窄带滤光片，确保测量边缘稳定。

这些参数不是拍脑袋定的，每一组都是在现场用样件反复调出来的。有一点特别重要：所有参数都要写进设备调试记录里，因为后续光源衰减或者换料批次，都要拿这些原始参数做基准。

4. 传统算法卡在哪一年，深度学习又是怎么接棒的

4.1 早期方案：Blob分析能做的和做不了的

2018年之前，我们用的都是传统视觉算法。针孔检测这件事，当时是靠着“充气后透光找亮点”的思路做通的，用的是最简单的阈值分割加Blob分析。只要亮度超过设定阈值，就把这个区域标记成候选缺陷，输出给PLC剔除。这套方案在实验室样件上效果不错，针孔检出率能到95%以上。

但到了产线上就变样了。乳胶批次不同、厚薄波动、环境温度变化，都会导致透光亮度浮动。阈值设高了漏检，设低了误报成片出现。我们每天最怕接到线长的电话，不是“今天误报很多”，就是“有一个针孔漏过去了”。那时候算法工程师天天在车间调阈值，一次调完，下一批原料换上又得重调，整个人都快被逼疯了。

传统算法能做的，其实只有“固定背景下找固定形态的缺陷”。乳胶手套的缺陷形态太多样，黑点有大有小，水渍有浓有淡，气泡有的凸起有的凹陷，用固定的灰度阈值和形状参数去描述所有缺陷，理论上就注定了走不远。

4.2 真正让我放弃传统算法的，是水渍问题

水渍问题彻底击垮了传统方案的防线。手套脱模后表面经常残留水分，干燥过程不完全，会在表面形成水渍。水渍在图像上的灰度特征和薄厚不均非常接近，传统算法完全无法区分。我们的设备明明看着一切正常，结果客户投诉说“手套上有斑点”，打开图片一看，就是水渍。

用传统算法做水渍识别，需要提取水渍的边缘梯度、灰度分布、形状特征，但水渍本身就是不规则的水痕，根本没有稳定特征。我们试过加长干燥时间，试过改光源角度，效果都不理想。后来我们总结了一句话：当缺陷连人眼都很难定义清楚的时候，传统算法就到头了。

4.3 建立缺陷样本库：最枯燥但最值钱的工作

接棒的是Hexagon AI平台，一个以深度学习模型为中心的机器视觉方案。这一步不是突然“上AI”就灵了，前期最耗精力的工作是建缺陷样本库。

我们花了整整三个月，专门安排人在车间收集缺陷手套。针孔、黑点、杂质、水渍、气泡、缺料、褶皱阴影、厚度不均，每类都要拍几百到几千张。最难的是针孔样本，有的针孔只有0.2毫米，在自然状态下根本看不见，必须靠充气后的透光亮点来定位。我们先用人工把手套充气找亮点，找到后做标记，再用全自动程序采集图像。

样本库建好后，还要做标注。标注工作比采集更枯燥：每一张图都要画掩膜，把缺陷区域精确地圈出来。褶皱阴影要不要标？指尖反光要不要标？这些问题我们内部争论了很久，最终的规则是：凡是客户会投诉的都标成缺陷，凡是客户不会注意到的都标成正常。这个规则听起来简单，但执行起来需要反复和品控部门确认标准。

到后期模型上线时，样本库总量达到四万八千多张，其中缺陷样本一万三千多张。没有这些数据，后面说什么都是空的。

4.4 从标注到模型上线：迭代和灰度切换

模型训练的过程围绕Hexagon AI平台展开，我们先把标注好的数据导入平台，选定基础网络架构，设置训练迭代次数和推理模型，然后就是一轮又一轮的训练、验证、调参。第一次训练结果很不乐观，对褶皱阴影的误检率居高不下。后来我们调整了策略，在训练集里加入了大量带褶皱的“正常”样本，并单独增加了褶皱阴影类别的权重，模型的泛化能力才开始明显改善。

模型上线不是一次性切换，我们采用了灰度切换的策略：先让模型在后台跑，只记录结果不参与剔除，和人工检测结果做对比。对比了一个星期，确认漏检率低于0.5%，才把它接到剔除工位上。

上线后又出现过一次比较尴尬的情况：新模型对旧样本表现很好，但换成新批次乳胶原料后，误报率突然飙高。后来排查原因，是新原料的透光性比旧批次略高，整体灰度分布偏移了。解决的办法是增加数据增强，在训练时随机调整图像的亮度、对比度、饱和度，让模型学会适应不同批次的材质波动。这一步之后，模型才真正稳下来。

5. 上线后的真实数据：误报率、漏检率和维护陷阱

5.1 人工目检与AI四工位实测对比

系统稳定运行三个月后，我们做了一次相对完整的对比测试，用同一批五千只手套分别过人工目检和四工位视觉系统，再用专人复检来判定最终结果。测试数据如下：

漏检率从3.2%降到0.4%，这是最核心的成果，客户投诉量直线下降，市场退货率从千分之四降到万分之三左右。误报率2.5%比人工的1.8%还高一些，但这部分损失其实是可控的：被判次品的手套会进入人工复检工位，复检员每小时处理大约一百只，再把合格品挑回来。整体算下来，产线综合成本反而下降了。

节拍的提升也很明显。原来一条线要配12个质检员，现在只需要两个复检员加一个设备维护员。对于手套厂这种毛利薄的行业来说，省下的不只是工资，还有招工培训的费用。

5.2 最怕的不是误报，是模型漂移

系统上线后，我们以为终于可以松口气了，结果很快又遇到新问题：模型漂移。这个术语听起来高大上，说白了就是模型在新数据上表现越来越差。

漂移的来源有很多。最常见的是原料批次波动，乳胶的产地、季节、配方一变，手套的颜色和透光率就会跟着变，模型学到的特征分布就不再适用。我们也遇到过光源衰减的问题，LED光源用了一年以后亮度会下降，图像整体变暗，模型对暗图的适应性开始不够。

应对漂移的办法是建立监控机制。我们每周从生产数据里随机抽几千张图像，用模型跑一遍，统计缺陷率是否异常升高。如果发现缺陷率连续三天明显高于基线，就触发重新训练流程。现在平均每个月做一次增训，每次用最近两周的新数据混合原始样本跑二十到三十轮，就能把漂移拉回正常范围。这个维护节奏已经成了固定习惯。

5.3 换供应商导致手套变色的排查全程

有一次让我印象特别深刻：手套供应商更换了原料批次，手套的颜色从乳白变成了微黄色，肉眼几乎看不出差别，但模型的误报率一夜之间涨了三倍。

排查过程走了不少弯路。一开始怀疑是光源问题，测了光强一切正常；又怀疑是转盘停位精度漂移，机械检查也没有异常。后来把图像调出来对比，才发现问题在于颜色分布偏移：模型训练时看到的乳胶手套是白色偏蓝的，而新批次是白色偏黄的，两者在RGB通道的均值差异不到10，但足以让模型对部分特征产生混淆。

解决思路并不复杂，把新批次的几千张图像补充到训练集里，加了几轮训练后误报率就恢复正常了。这次事件给我的教训是：上线时一定要和品控、采购部门约定好，原料或供应商有变更，必须提前通知视觉团队，提前采图测试。如果让模型自己“反应”，损失的是一整天的产能和一堆错判品。

6. 这十年踩坑下来的四点建议

6.1 项目预算先给样本库，再给相机

很多人做视觉项目，第一反应是买贵的相机、大的算力，但我们的经验恰好相反。对于柔性材质、缺陷形态复杂的项目，样本库建设才是最花时间和最值钱的部分。相机的分辨率只需要满足最小缺陷占3个像素以上即可，更高的分辨率只会增加数据量和推理延迟。

我们当初把预算的很大一部分花在了人工收集和标注缺陷样本上。账要这么算：没有足够的样本，再强的模型也训练不出来，而每一个漏检的缺陷在客户端造成的损失，可能比样本库建设成本还高。所以我的建议是：项目启动前，先安排一到两个月专门收集缺陷样本，把所有能想到的缺陷类型都尽量找齐，再谈算法和硬件选型。

6.2 机械和电气的配合比算法更重要

视觉检测系统看着是算法主导，实际上能不能稳定运行，七成取决于机械和电气。转盘停位的重复精度、手模的定位可靠性、光源触发的时序稳定性，这些环节出了问题，算法再强也无济于事。

印象最深的一次，转盘结构上用了M8螺丝紧固的相机支架，跑了两个月后出现微米级松动，图像轻微偏移导致大量误报。排查了很久，最后把支架改成焊接结构，问题才彻底解决。这类问题不在算法层面，但让人耗掉的精力远超调参。

6.3 保留人工复检工位，AI负责初检

虽然有AI四工位检测，我们还是保留了人工复检工位。原因有两个：第一，AI的误报不可能降到零，误报品直接当作次品扔掉会提高成本，必须有人确认一遍；第二，人工复检可以有效发现模型没见过的“新”缺陷，给后续训练提供样本。

比较合理的人员配置是：AI负责100%的初检，人工负责大约10%到15%的复检量。这样一来，检测速度提升了，漏检率下降了，人工工作强度也降低了。对工厂管理者来说，这个方案也更容易被接受，因为不想让员工觉得“机器会抢饭碗”。

6.4 验收时一定要做“脏数据”测试

最后一条经验是关于验收的。很多设备供应商演示时表现完美，但一到产线就“原形毕露”，原因往往出在测试数据太干净。验收阶段一定要做“脏数据”测试：拿不同批次的原料、不同班次的生产数据、甚至故意在光源上做些遮挡，看系统在非理想条件下的表现。

我们当时特意找了连续三个月的历史数据，按照月份分类，每个月抽一部分来做测试。结果发现模型对某些月份的数据召回率高，对另一些月份的数据召回率低，差异非常明显。如果没有这种脏数据测试，系统可能三个月后就失效了。所以我的建议是：验收标准里一定要写清楚“跨批次稳定性的指标和测试方法”，否则后面扯皮都是麻烦。

从2014年第一次在车间里被乳胶手套的成像问题难住，到2024年这套四工位系统稳定运行，整整十年。期间走过太多弯路，换过光源方案，推翻过机械结构，从传统算法换到Hexagon AI平台，中间一度想过放弃。但回过头来看，乳胶手套这类软性材质检测的突破，关键不在于某一项技术有多先进，而在于把样本、光源、机构、算法、维护这些环节一步步踏实做好。如果你也正在做类似的柔性材质外观检测项目，我的建议是：不要急着上模型，先把缺陷样本库建起来，把光源和机械的底子打牢，AI只是最后那一层锦上添花的东西。