视觉项目从任务定义开始
客户需要先把识别对象、可见特征、错误类型、允许范围和异常动作写清楚。相机分辨率或算法名称只有放进完整工况后才有意义。
定义任务
识别SKU、检查标签、读码/OCR，还是检测外观。
确认可见特征
视角、遮挡、反光、尺寸、颜色与产品自然变化。
准备样本
覆盖SKU、批次、包装、工况、OK与各类NG。
定义指标
逐类召回、误判、不可判、节拍和剔除闭环。
管理变更
模型、配方、标签模板、权限、版本与再验证。
三类任务，分别定义输入和验收
一个项目可以组合多类任务，但每类任务需要独立的样本、规则和统计方法。
贴标前产品识别
根据可见产品与包装特征识别SKU，输出类别、置信度和配方号。
- 冷鲜肉部位或品类识别
- 包装形态与产品类别区分
- 低置信度或未知类分流
贴标后标签复检
核对标签数量、类别、模板、位置、完整性和实际产品/配方关系。
- 漏标、错标、多标、少标
- 歪斜、折叠、超出允许区域
- 产品、订单与标签一致性
OCR与条码读取
读取生产日期、批次、重量、价格等字段，解析一维码/二维码并校验规则。
- 字段存在与精确匹配
- 码制、内容和可读性
- 业务数据与印刷结果核对
识别“应该贴什么”，再复检“实际贴了什么”
食品称重贴标项目常采用两个视觉点。前端识别决定SKU和标签配方，末端复检将实际标签与配方要求逐项比较。
检测点A：贴标前识别
识别产品类别，输出SKU/配方号和置信度。系统根据业务规则调用标签模板；低置信度、未知类别或与当前订单冲突的产品进入异常流程。
检测点B：贴标后复检
核对实际标签数量、类别、关键文字、条码/二维码、位置与完整性，并将结果与检测点A、重量和订单数据关联。
相机看得稳定，算法才有稳定输入
相机像素只是成像链的一部分。视野、工作距离、镜头、光源、曝光、景深、输送姿态和环境共同决定可用图像。
需要同时确定
- 视野：覆盖最大产品、标签允许区域和输送偏移。
- 像素密度：把最小字符、码单元、缺陷或位置公差映射到图像。
- 光源：根据透明膜、金属膜、曲面、文字和颜色选择角度与类型。
- 曝光：高速运动时控制拖影，同时保持亮度和信噪比。
- 景深：产品高度变化、鼓包和标签翘起需处于清晰范围。
- 遮光与环境：隔离车间灯光变化，处理冷凝、水汽和污染。
调整光源角度、偏振和相机位置；用真实膜面褶皱与水汽样本验证。
常见风险
先用机械导正、分距和稳定输送降低变化，再交给算法处理合理范围。
机械与视觉共同解决
顶面、侧面或底面标签可能需要多相机、反射镜或翻转机构，不能用一个顶相机覆盖。
按可见面布置
每个SKU建立可执行的标签配方
视觉系统应把业务规则转换成机器可判断的配方。配方不仅保存一张标签图片，还要说明期望数量、模板、字段、码规则、位置和异常动作。
| 配方项目 | 需要保存的内容 | 判定示例 |
|---|---|---|
| 产品与AI类别 | SKU编码、产品名称、允许AI类别、置信度阈值、未知类处理 | 识别类别与当前订单不一致则NG |
| 标签数量与模板 | 应贴标签数量、每张模板ID、必须/可选标签、模板版本 | 漏标、多标、错模板进入异常流程 |
| 允许贴附区域 | ROI、中心坐标、边缘距离、角度、歪斜、折叠和遮挡规则 | 超出允许区域或遮挡关键信息则NG |
| OCR关键字段 | 字段名、字符集、日期/数值格式、期望值来源和容错规则 | 日期存在但与订单不一致仍判NG |
| 条码与二维码 | 码制、期望内容、校验位、业务字段、最小质量要求 | 可读但内容错误与不可读应区分原因 |
| 异常处理 | 报警、剔除、停机、人工复核、图片保存和权限 | 低置信度不强行归类，进入复核或剔除 |
样本数量服从变化范围，不采用固定万能数字
某项目曾建议每SKU不少于100件合格样本、每类NG不少于30件。这只能作为该项目准备起点，不能作为所有视觉任务的通用标准。
样本需要覆盖的变化
- 不同SKU、供应商、批次、原料颜色与自然形态。
- 包装膜、托盒、印刷、标签和碳带的正常波动。
- 白班/夜班、光照、速度、位置、角度和产品高度。
- 冷凝、水汽、反光、褶皱、污染及设备清洁前后。
- 真实或可重复制作的漏标、错标、歪标、折叠、不可读等NG。
数据集应保持独立
- 训练集：用于模型学习。
- 验证集：用于选择阈值和调参。
- 测试集：冻结后用于评价，避免把训练样本当成绩。
- 现场挑战集：在目标速度和工况下验证整线动作。
- 回归集：模型或配方更新后检查旧SKU能力。
把“识别率”拆成可复现的验收指标
准确率必须带上对象、分母、测试集、工况和异常规则。标签复检还要验证从触发到剔除的整线结果。
目标SKU或缺陷中有多少被检出，直接关联漏检风险。
被判为某类的产品中有多少真正属于该类，关联误判与错配方。
记录正常品误剔、低置信度、未知类和人工复核比例。
验证图像、判定、跟踪、剔除、确认和记录是否对应同一产品。
| 任务 | 建议记录的指标 | 验收必须固定 |
|---|---|---|
| SKU分类 | 每类召回率、精确率、混淆矩阵、低置信度/未知类比例 | SKU清单、样本批次、姿态、阈值和错误代价 |
| 标签缺陷 | 各类NG检出率、正常品误剔率、漏检率 | 缺陷制作方法、尺寸/位置、通过次数与速度 |
| OCR | 字段级或整字段精确匹配率、不可读率、误读率 | 字符集、格式、字体、印刷质量、期望值来源 |
| 条码/二维码 | 读取率、错误解码、内容校验结果和读取时间 | 码制、尺寸、对比度、曲面/褶皱与业务规则 |
| 节拍与剔除 | 连续处理能力、触发到结果时间、剔除成功率和记录完整率 | 速度、间距、连续NG、网络/气压异常和在途产品 |
上线后的变化需要有记录、有权限、有再验证
食品、包装和标签会持续变化。系统需要把模型、配方与生产版本绑定，避免“现场调了一下”后无法解释结果。
先评估现有类别是否会混淆，再决定只增配方、补样本还是训练新版本。
材质、版式、字体、码位置、薄膜或供应商变化都可能需要重新标定。
记录发布时间、训练数据范围、阈值、批准人和回退版本。
操作员、质量、工程和管理员权限分离，保留配方和参数修改日志。
定义OK/NG图像、结果、批次、重量、标签内容及存储周期。
使用冻结测试集与现场挑战集检查新能力，同时防止旧SKU性能退化。
一套冷鲜肉称重贴标项目的参考边界
以下参数来自现有项目资料，只用于说明系统组成和参数关系，不代表AI视觉产品的统一标准配置。
| 项目 | 资料记录 | 公开使用边界 |
|---|---|---|
| 适用产品 | 黑色托盒、透明覆膜冷鲜肉；最大产品尺寸300 × 250 × 65 mm | 只适用于该项目样品基准，其他托盒、膜面或产品需重新评估 |
| 流程 | AI识别、动态称重、白标打印贴标、末端视觉复检、NG剔除 | 彩标或其他标签自动贴附需增加对应模块 |
| 生产能力 | 30–55件/分钟；项目设计基准1.5秒/件，约40件/分钟 | 最终取决于间距、称重稳定时间、标签尺寸、贴标动作与视觉处理 |
| 称重 | 1500 / 3000 / 6000 g量程可选；参考±2 g | 动态误差受量程、速度、振动和产品稳定影响，不是视觉指标 |
| 打印 | SATO S84-EX，300 dpi，最大打印宽度110 mm，最大打印速度300 mm/s | 打印速度不等于整机节拍；标签样品、内容与贴附动作需核对 |
| 标签范围 | 30 × 30 mm至110 × 110 mm | 最终按标签实物、底纸、材质和贴标位置确认 |
| 视觉配置 | 2套工业相机、镜头与光源；参考工作距离300±30 mm | 视野、镜头、工作距离和光源按实际产品重新选型与标定 |
| 环境与数据 | 0–40℃、20%–90%RH，无凝露；本机保存SKU、重量、模板、结果与图片 | 冷凝、水汽、清洁、存储周期和MES/API字段需在项目中明确 |
8个问题，整理视觉需求
结果用于确定相机工位、样本与验证方向，不直接输出型号或识别率承诺。
预选结果
完成左侧8项后生成工位、样本和验证建议。
询价与打样前准备这些资料
资料越接近实际生产，供应商越容易给出可验证的方案，而不是泛泛的相机与算法清单。
产品清单、订单逻辑、配方号、相似SKU、未知类和低置信度处理。
多个批次、正常变化、透明膜、托盒、标签和最不利姿态。
PDF/模板、实物、碳带、字段定义、码制、期望值来源和版本。
漏标、错标、少标、多标、歪标、折叠、不可读及制作方法。
产品尺寸、速度、间距、输送高度、光照、冷凝、前后端信号和空间。
逐类指标、测试集、通过次数、图像/日志、权限、接口和异常闭环。
下载《AI视觉识别与标签复检客户选型指南》
PDF包含任务边界、双工位流程、成像条件、标签配方、样本计划、评价指标、变更管理和客户填写表。
客户常问的问题
AI视觉识别可以替代条码或配方管理吗？
不能简单替代。AI根据可见特征输出类别和置信度，订单、标签模板、允许SKU和异常处理仍需配方或业务系统管理。高风险场景应设置未知类和低置信度分流。
整体准确率达到99%以上就能验收吗？
不能只看整体准确率。应按SKU或缺陷类别分别统计召回、误判、漏检和不可判，并固定测试集、工况、阈值和错误处理。
透明膜反光怎样处理？
通常需要遮光、调整光源角度或类型、增加偏振并控制产品姿态。最终必须用真实膜面、褶皱、水汽和冷凝样本测试。
OCR和条码识别是一回事吗？
不是。OCR读取印刷文字，条码读取按码制与校验规则解析编码。两者需分别定义字段、码制、期望值、不可读和错误内容的处理。
新增SKU需要重新训练吗？
至少需要评估现有模型和配方是否覆盖。若外观、包装或标签特征明显变化，应补充样本、训练或标定，并保留新旧版本与回归测试记录。
为什么低置信度产品不能强行归类？
强行归类会把“不确定”隐藏成一个看似确定的结果。对高风险产品，低置信度或未知类应进入剔除、停机或人工复核流程。
标签位置偏差能做到多少？
需要结合标签尺寸、贴标机构、产品定位、视野像素密度和定义方法确认。视觉可以测量结果，但机械贴标重复性和产品姿态也决定最终偏差。
AI视觉能和称重贴标系统集成吗？
可以。常见流程是贴标前识别SKU，动态称重生成变量数据，打印贴标后再复检标签并剔除异常。关键是使用同一产品ID连接全部结果。
用真实产品和冻结测试集确认视觉能力
纽才纳自动化科技（上海）有限公司成立于2015年，专注于食品包装后段自动化及智能化应用，围绕称重贴标、即时打印贴标、在线称重、AI识别与视觉检测、质量检测、机器人贴标及生产数据连接，为食品生产企业提供设备、软件与系统集成服务。
提交您的项目需求
告诉我们应用场景与节拍要求，我们会在 1 个工作日内提供选型建议与方案参考。
微信扫码咨询