光纤色序检测仪毫秒节拍的轻量化实现-育师

1. 生产痛点

在光通信布线、跳线生产和光缆组件装配环节，光纤（或尾纤、跳线）的色序是保证链路可维护性的基础约定。行业通用的 12 色序为：蓝、橙、绿、棕、灰、白、红、黑、黄、紫、粉、青，按松套管或束管内的位置依次排列，用于区分同一束管内的不同纤芯。

一旦色序错位，轻则导致现场熔接、跳线更换时找错纤芯，重则造成整条链路返工。因此，在产线上对成品跳线、光纤阵列、MPO 组件进行色序检测，是出厂前的必检项。

传统做法是人工目检：操作员对照色序表逐根核对。这种方式存在三个明显问题：

效率低：一根 12 芯跳线人工核对通常需要数秒，大批量产线难以承受；
一致性差：不同操作员、不同光照条件下判断标准不统一，容易漏检；
无法数据化：检测结果难以自动记录、追溯，无法接入 MES 系统。

我们的光纤色序检测仪正是为解决这些问题而设计：用机器视觉自动识别光纤颜色与排列顺序，并与标准色序比对，输出 OK/NG 判定。

2. 产品介绍

2.1 产品定位

光纤色序检测仪是一款面向光通信制造产线的在线式视觉检测设备，部署在跳线组装、端检、包装等工位，对光纤束端面或侧面的颜色排列进行自动识别与顺序校验。

它要解决的核心问题很明确：把过去依赖人工目检、既慢又不稳定的色序核对，变成一次触发、自动成像、自动判定、自动输出的标准化动作。设备以"工装固定 + 视觉识别 + 模板比对"为基本思路，不追求通用视觉能力，而是把全部算力集中在"认准颜色、排对顺序"这一件事上，因此在成本、节拍和稳定性上都更适合产线大批量部署。

从使用方式看，操作员只需把产品放入工装、踩下脚踏或由 PLC 给出触发信号，设备即可在毫秒级完成一次检测并给出 OK/NG 结果；换型时通过触摸屏选择对应色序模板即可，无需改动硬件。这种"傻瓜式"的操作设计，使它能够直接嵌入现有产线节拍，而不需要额外的专职检测岗位。

2.2 核心能力

能力项	说明
颜色识别	支持 12 色标准色序及客户自定义色序，识别单根光纤颜色，兼容端面与侧面两种成像视角
顺序校验	将识别结果与预设色序模板逐位比对，输出差异位置（第几芯错、错成什么颜色）
节拍	单次检测节拍可压至20ms 以内（详见第 3 节）
判定输出	OK/NG 信号、NG 位置标注、检测图像存档
接口	IO 触发、以太网、串口，可对接 PLC 与 MES
追溯	每根产品检测记录可存储、可查询，支持按批次、时间、工单检索
模板管理	多套色序模板可保存与一键切换，支持客户定制色序快速导入
异常判别	光纤缺失、遮挡、过曝、脏污等异常单独判定，不误判为某一颜色
参数标定	内置标定流程，光源或相机更换后可现场重新标定色值
运行环境	支持 7×24 小时连续运行，具备断线重连与异常自恢复能力

在识别精度上，设备对相邻易混色（如棕/橙、粉/紫、蓝/青）做了专门的色差加权处理，避免因色相接近而串色；在稳定性上，判定逻辑区分"识别失败"与"顺序错误"两类 NG，便于产线快速定位问题根因——前者多为成像或工装异常，后者才是真正的装配错误。

2.3 系统组成

整个检测流程是一条清晰的流水线：光纤束或跳线进入工位后，由工业相机配合环形光源完成成像，图像采集模块把画面送入轻量化颜色识别引擎，引擎输出每根光纤的颜色结果，再交给色序比对与判定环节；判定结果一方面通过 IO 输出并上传 MES，另一方面在出现 NG 时生成带位置标注的 NG 图像，供后续追溯与分析。

系统由成像单元（工业相机、定焦镜头、均匀环形光源）、处理单元（嵌入式或工控机运行识别算法）、交互与接口单元（触摸屏、IO、通信）三部分组成。成像单元的关键在于光源均匀性与固定工装，保证每次拍摄的光纤位置、光照条件一致，这是后续算法轻量化的前提。

各单元的具体职责如下：

成像单元：工业相机负责高速取图，定焦镜头保证视场与工作距离固定，环形光源提供均匀无影照明；配套的定位工装把光纤束约束在标定位置，使每根光纤的成像坐标可预期。
处理单元：运行轻量化颜色识别与色序比对算法，完成从图像到 OK/NG 判定的全部计算；同时负责检测记录存储、NG 图像保存与结果上传。
交互与接口单元：触摸屏用于模板选择、参数标定、结果查看与报警提示；IO 接口对接 PLC 实现触发与判定信号交互，以太网/串口用于对接 MES 与上位系统。

三者协同的关键在于"一致性"：工装保证位置一致，光源保证光照一致，标定保证色值一致。只要这三者稳定，算法就可以做得极简，节拍与准确率也就有了保障。

2.4 应用场景

12 芯 / 24 芯跳线出厂色序校验；
MPO/MTP 多芯组件的纤芯顺序检查；
光缆束管内的纤芯排列核对；
客户定制色序的快速切换与验证；
光纤阵列、FA 组件的端面纤芯排序检查；
来料抽检与成品全检两种模式灵活切换。

在不同场景下，设备的侧重点略有差异：跳线与 MPO 组件多为全检，强调节拍与稳定性，需要与产线节拍严格对齐；来料与抽检场景则更看重记录与追溯，检测图像与判定结果需完整留存，便于后续质量分析。对于多品种小批量产线，模板一键切换能力可以显著减少换型停机时间。## 3. 核心问题：20ms 节拍下，颜色识别怎么轻量化？

这是产线客户提出的最硬性要求：色序检测节拍必须压到 20ms 以内。20ms 意味着每秒要完成 50 次完整检测，而一次检测包含图像采集、颜色识别、顺序比对、结果输出多个环节。留给颜色识别算法的时间，实际上只有十几毫秒。

如果直接套用通用深度学习分类模型（如 ResNet 系列），单次推理在 CPU 上往往需要几十毫秒甚至上百毫秒，根本无法满足节拍。因此必须从算法、工程、系统三个层面做轻量化设计。

3.1 "识别"降维

光纤颜色识别本质上不是通用图像分类问题，而是在已知位置上的有限类别判别问题。光纤在工装中位置固定、排列规则，因此不需要对整幅图像做目标检测。

具体做法：

固定 ROI：根据工装标定，预先确定每根光纤在图像中的采样区域（一个小的矩形或圆形区域）；
颜色采样：在每个 ROI 内取若干像素（如中心 5×5 区域）的 RGB 均值；
颜色空间转换：将 RGB 转换到对光照更鲁棒的 HSV 或 Lab 空间；
查表匹配：与预标定的 12 色标准色值做最近邻匹配，得到颜色类别。

这样，一次识别退化为"取几十个像素 + 一次最近邻查表"，计算量极小，单根光纤识别在微秒级完成，12 根光纤的识别总耗时通常在 1ms 以内。

在实现上，这套查表逻辑非常朴素：先维护一张 12 色标准色值表，每个颜色对应一组 HSV 三元组（色相、饱和度、明度），这些数值由产线光源与相机在标准样件上标定得到；识别时，把采样得到的 HSV 值与表中每个颜色逐一比较，计算一个加权距离——色相因为是 0 到 360 度的环形量，需要取最短弧距离并赋予较高权重，饱和度和明度则各取较小权重；最后取距离最小的那个颜色作为识别结果，同时保留该最小距离作为置信度参考。整个过程只涉及一次遍历和若干次减法、绝对值运算，没有任何矩阵运算或模型推理，因此单根光纤的判别可以稳定在微秒级完成。

注意：上表色值为示例，实际部署时必须用产线光源与相机在标准样件上重新标定，并保存为配置文件。

3.2 顺序约束

色序检测的最终目标是顺序是否正确，而不是每根光纤的绝对颜色。利用这一先验，可以进一步降低算法复杂度：

若某根光纤的匹配距离过大（置信度低），可结合其前后邻居的颜色做联合推断；
对于相邻颜色相近的情况（如棕/橙、粉/紫），可引入相对色差判别，而非绝对色值；
顺序比对采用逐位比较，一旦发现错位立即输出 NG 位置，无需完成全部比对。

这种"先验约束 + 早停"的策略，让算法在保证准确率的同时，把平均计算量进一步压低。

3.3 工程轻量化

算法之外，工程实现同样关键：

图像分辨率按需降低：色序检测不需要高分辨率，640×480 甚至更低即可满足，直接减少数据搬运与处理量；
避免不必要的格式转换：相机输出格式与算法输入格式对齐，减少一次转换开销；
预分配内存、避免动态分配：识别循环中不创建新对象，复用缓冲区；
多线程流水线：采集、识别、比对、输出分属不同线程，重叠执行，隐藏各环节延迟；
硬件加速可选：在嵌入式平台可用 NEON/SIMD 指令加速像素采样，或使用轻量 NPU 做辅助判别。

3.4 轻量模型

如果产线存在光照波动大、光纤位置不固定、表面反光严重等复杂情况，纯查表法可能不够鲁棒。此时可以引入轻量模型作为补充，但要注意选型：

方案	单次推理耗时（CPU）	适用场景
查表 + 最近邻	< 1ms	工装固定、光照稳定（推荐首选）
小型 CNN（如 MobileNet 裁剪版）	5–15ms	光照波动较大、需鲁棒判别
传统机器学习（SVM/决策树）	< 1ms	特征明确、样本充足

实践中的推荐策略是：以查表法为主干，轻量模型仅作为低置信度样本的二次判别，这样绝大多数样本走快速路径，只有少数疑难样本进入模型，整体节拍仍能稳定在 20ms 以内。

3.5 节拍预算拆解

以 20ms 总节拍为目标，各环节时间预算可参考如下：

以 20ms 总节拍为目标，各环节的时间预算大致可以这样分配：触发与图像采集约占 6ms，ROI 采样与颜色识别约占 2ms，色序比对约占 1ms，结果输出与通信约占 3ms，四项相加约 12ms，剩余约 8ms 作为余量。
留出充足余量，是为了应对产线抖动、通信延迟等不确定因素。实际调试时应以最坏情况而非平均值来验证节拍。