在包装行业做质检，谁不想从从容容、游刃有余地当个“找茬大师”？

但现实却往往相反——面对特殊纹理、材质反光、柔性包装形变、高速产线节拍等典型难题，质检员常常是匆匆忙忙、连滚带爬。这些“魔鬼细节”让传统视觉看不清、抓不准；而单纯依赖 AI，又可能在边界判断、实时处理上“掉链子”。

结果就是：复杂的看不出，简单的还误判——产线稳不下来，人也跟着被迫“加班”。

而这正是In-Sight 8900会成为良好“好助手”的原因：它把传统视觉的“规则精度”与AI的“智能识别”加以组合，让包装检测在复杂条件下依旧稳住节奏，实现真正的从容应对。

典型应用场景解析|

多纹理?多缺陷?通通一网打尽

基于两条真实产线的验证,亚洲AV乱码久久精品蜜桃麻豆把现场最常“折磨”

质检的挑战,归纳为两类典型场景:

纹理与背景干扰严重，微小瑕疵极易漏检

多缺陷并存、规则复杂的食品包装检测

场景一

复杂纹理不捣乱,内外缺陷检测更“丝滑”

(来自实际奶片生产线的应用场景)

01|核心挑战

奶片脏污检测:奶片直径仅20mm,粉色背景

纹理易产生干扰;包装柔性形变导致内部缺陷不易区分;奶片包装检测:纵封不良,袋型偏移,大切破缺陷,连包等多维度外观检测需求。

02|策略拆解

奶片脏污检测环节

在脏污检测环节,要在粉色纹理背景里“揪出”微小污点,可不是件轻松事。为让缺陷真正被看见，康耐视团队首先对光源进行了精准调校:

其次在算法应用层面:AI与传统视觉工具各司其

职、同时上阵——

ELClassify:处理面积较大的脏污缺陷,分类得分稳定≈98,可靠度在线;

ELSegment+Filter:盯准小黑点、微异物,先分割再膨胀预处理,让细小缺陷无处遁形;

Blob+ROI调优:确保奶片被准确定位,检测流程在高速节拍下依然“稳住不抖”。

“AI+传统工具”实现“1+1>2”的效果

奶片包装检测环节

在包装检测环节,形态不规则的缺陷需要精准识别:纵封不良、袋型偏移、大切破、连包.…...想全部拿下,光“看得见”还不够,还得在定位准、判得稳这两件事上同时发力。

要让奶片包装上的各种缺陷都“无处藏身”,把AI与传统视觉工具合理组合,是提升定位与识别稳定性的可靠方式。

ELClassify:对包装左右端的大切破进行分类判断,模型分数稳定 90+;

PatMaxRedLine:稳定锁定外包装Logo区域，为大切破检测提供统一参照;

Caliper:测量封口宽度与袋型偏移,当纵封不良或袋型变形时快速触发异常。

“Al+传统工具”实现“1+1>2”的效果

“AI+传统工具”的组合拳,最终表现相当硬核:

奶片脏污检测场景:单次取像+处理约85ms;

奶片包装检测场景:取像+处理总耗时约79ms。可满足产线13片/秒的高速节拍。

场景二

面对复杂规则,智能识别“有条有理”

(来自实际山楂棒产线的应用场景)

01|核心挑战

同一物料需同时识别7类缺

陷:方向反、变形、穿孔、粘棒、未插棒、不完整物料、单独纸棒。

02|策略拆解

面对多缺陷、结构规则复杂的包装检测场景,康耐视为客户推荐了一套“AIX传统视觉的混合拳”策略

ELSegment:面对粘连、区域边界不规则等难题时进行精细分割,圈定问题区域更“干净利落”;

FindPatMaxRedLine:为每个物料先定好“标准朝向”,奠定后续检测基准;

DetectBlobs(结合轮廓规则):用于判断形变与结构完整性,并通过像素统计/长宽比快速识别单独纸棒。

整体流程单件处理约65ms,所有推理均在智能相机内完成,高速产线也能稳定跑。

“Al+传统工具”实现“1+1>2”的效果

AI 赋能包装检测|

打造“稳定·可复制”的行业方案

依托多条真实产线的验证，In-Sight 8900让包装检测从“能用”走向“好用·可规模化复用”，价值清晰、效果可量化:

01

复杂纹理x 微缺陷:稳定输出不看运气

面对纹理干扰、柔性包装形变、黑点/脏污等高难度场景,In-Sight 8900的混合式策略让“难点变常规”:

传统视觉

精准定位、边界判定、规则逻辑不走偏;

AI工具

提升对多纹理、微瑕疵、多变背景的识别稳健性。

02

AI X 传统视觉组合拳:可靠度与可解释性同步在线

检测链路分工更加清晰、可控:

AI工具

搞定最棘手 的部分--复杂形变、细小缺陷、多类别异物;

传统视觉

负责确定性判断一-计数、定位、几何规则、结构完整性。

03

高节拍支持:轻量化部署·原地升级

无需 PC、无需重构产线,也能跑出高性能:

79-85 ms(奶片)/65 ms(山楂棒)的高速处理;

让检测从“匆匆忙忙”变得“游刃有余”。

In-Sight 8900帮你把节奏拉回可控状态，让产品稳定识别。