
在包裝行業做質檢,誰不想從從容容、游刃有余地當個“找茬大師”?
但現實卻往往相反——面對特殊紋理、材質反光、柔性包裝形變、高速產線節拍等典型難題,質檢員常常是匆匆忙忙、連滾帶爬。這些“魔鬼細節”讓傳統視覺看不清、抓不準;而單純依賴 AI,又可能在邊界判斷、實時處理上“掉鏈子”。
結果就是:復雜的看不出,簡單的還誤判——產線穩不下來,人也跟著被迫“加班”。
而這正是In-Sight 8900會成為良好“好助手”的原因:它把傳統視覺的“規則精度”與AI的“智能識別”加以組合,讓包裝檢測在復雜條件下依舊穩住節奏,實現真正的從容應對。

典型應用場景解析|
多紋理?多缺陷?通通一網打盡
基于兩條真實產線的驗證,我們把現場最常“折磨”
質檢的挑戰,歸納為兩類典型場景:
紋理與背景干擾嚴重,微小瑕疵極易漏檢
多缺陷并存、規則復雜的食品包裝檢測
場景一
復雜紋理不搗亂,內外缺陷檢測更“絲滑”
(來自實際奶片生產線的應用場景)
01|核心挑戰
奶片臟污檢測:奶片直徑僅20mm,粉色背景
紋理易產生干擾;包裝柔性形變導致內部缺陷不易區分;奶片包裝檢測:縱封不良,袋型偏移,大切破缺陷,連包等多維度外觀檢測需求。
02|策略拆解
奶片臟污檢測環節
在臟污檢測環節,要在粉色紋理背景里“揪出”微小污點,可不是件輕松事。為讓缺陷真正被看見,康耐視團隊首先對光源進行了精準調校:

其次在算法應用層面:AI與傳統視覺工具各司其
職、同時上陣——
ELClassify:處理面積較大的臟污缺陷,分類得分穩定≈98,可靠度在線;
ELSegment+Filter:盯準小黑點、微異物,先分割再膨脹預處理,讓細小缺陷無處遁形;
Blob+ROI調優:確保奶片被準確定位,檢測流程在高速節拍下依然“穩住不抖”。

“AI+傳統工具”實現“1+1>2”的效果
奶片包裝檢測環節
在包裝檢測環節,形態不規則的缺陷需要精準識別:縱封不良、袋型偏移、大切破、連包.…...想全部拿下,光“看得見”還不夠,還得在定位準、判得穩這兩件事上同時發力。

要讓奶片包裝上的各種缺陷都“無處藏身”,把AI與傳統視覺工具合理組合,是提升定位與識別穩定性的可靠方式。
ELClassify:對包裝左右端的大切破進行分類判斷,模型分數穩定 90+;
PatMaxRedLine:穩定鎖定外包裝Logo區域,為大切破檢測提供統一參照;
Caliper:測量封口寬度與袋型偏移,當縱封不良或袋型變形時快速觸發異常。

“Al+傳統工具”實現“1+1>2”的效果
“AI+傳統工具”的組合拳,最終表現相當硬核:
奶片臟污檢測場景:單次取像+處理約85ms;
奶片包裝檢測場景:取像+處理總耗時約79ms。可滿足產線13片/秒的高速節拍。
場景二
面對復雜規則,智能識別“有條有理”
(來自實際山楂棒產線的應用場景)
01|核心挑戰

同一物料需同時識別7類缺
陷:方向反、變形、穿孔、粘棒、未插棒、不完整物料、單獨紙棒。
02|策略拆解
面對多缺陷、結構規則復雜的包裝檢測場景,康耐視為客戶推薦了一套“AIX傳統視覺的混合拳”策略
ELSegment:面對粘連、區域邊界不規則等難題時進行精細分割,圈定問題區域更“干凈利落”;
FindPatMaxRedLine:為每個物料先定好“標準朝向”,奠定后續檢測基準;
DetectBlobs(結合輪廓規則):用于判斷形變與結構完整性,并通過像素統計/長寬比快速識別單獨紙棒。
整體流程單件處理約65ms,所有推理均在智能相機內完成,高速產線也能穩定跑。

“Al+傳統工具”實現“1+1>2”的效果
AI 賦能包裝檢測|
打造“穩定·可復制”的行業方案
依托多條真實產線的驗證,In-Sight 8900讓包裝檢測從“能用”走向“好用·可規模化復用”,價值清晰、效果可量化:
01
復雜紋理x 微缺陷:穩定輸出不看運氣
面對紋理干擾、柔性包裝形變、黑點/臟污等高難度場景,In-Sight 8900的混合式策略讓“難點變常規”:
傳統視覺
精準定位、邊界判定、規則邏輯不走偏;
AI工具
提升對多紋理、微瑕疵、多變背景的識別穩健性。
02
AI X 傳統視覺組合拳:可靠度與可解釋性同步在線
檢測鏈路分工更加清晰、可控:
AI工具
搞定最棘手 的部分--復雜形變、細小缺陷、多類別異物;
傳統視覺
負責確定性判斷一-計數、定位、幾何規則、結構完整性。
03
高節拍支持:輕量化部署·原地升級
無需 PC、無需重構產線,也能跑出高性能:
79-85 ms(奶片)/65 ms(山楂棒)的高速處理;


讓檢測從“匆匆忙忙”變得“游刃有余”。
In-Sight 8900幫你把節奏拉回可控狀態,讓產品穩定識別。