多品种小批量视觉分选方案：换型 5 分钟的实现路径

「单一品种、大批量」是视觉分选设备最舒服的场景——调好一次跑半年。但越来越多工厂的真实画像是：每天换 3-5 个品种、每批几千到几万件。在这种场景下，传统视觉分选设备最大的瓶颈不是检测速度，而是换型时间。换型要 4 小时的设备，在多品种场景等于废铁。本文拆解怎么把换型时间压到 5 分钟以内。

先看痛点：换型慢的成本有多可怕

以一个典型的五金件厂为例：

• 每天 5 个品种，每班换一次型需要 2 小时
• 每天有效生产时间从 8 小时降到 8 - 5×2/3 ≈ 4.7 小时
• 设备利用率 58%，等于一台 60 万的设备只跑出 35 万的产能
• 一年多花的折旧 + 电费 + 人工 ≈ 20-30 万

换型慢的根因：四个环节卡时间

环节	传统方案耗时	卡在哪
上料机构换型	2-4 小时	振动盘要换盘面、调轨道
视觉配方切换	30-60 分钟	要重新示教、调参数、跑样件
机械工装更换	1-2 小时	定位治具要拆、换、重新对位
AI 模型切换	不可控	要重新训练、样本不够要现场采

换型 5 分钟的四个技术支点

支点 1：通用上料替代专用振动盘

把「为每种件定制盘面」改成「一种上料方式通吃大部分件」：

• 柔性振动盘（振动频率/方向可调）：覆盖 70% 小型规则件，换型只调参数，5 分钟
• 皮带 + 视觉定位：异形件、怕磕碰件首选，换型只换皮带宽度，3 分钟
• 3D 视觉 + 机器人抓取：完全不挑件，换型 = 换个抓手，10 分钟

前期设备成本高 30-50%，但换型时间从小时级降到分钟级。

支点 2：配方化参数管理

把所有品种相关参数（相机曝光、光源亮度、检测阈值、机构位置）打包成「配方」：

• 每种件调试一次 → 保存为独立配方 → 下次一键调用
• 配方版本管理：谁改过、什么时候改的、改前改后对比，全部留痕
• 新品类上线时，可以基于相似件的配方「克隆再改」，不用从零调

这是软件能力，不加硬件成本，但能把「重新调参数」从 1 小时压到 1 分钟。

支点 3：模块化机械设计

机械换型要做到「快拆 + 免调」：

• 所有定位治具用快换销 + 零点定位，3 秒拆装、免重新对位
• 相机和光源装可调滑台，位置参数化存储，换型只调数字
• 分选机构用气缸 + 伺服模组，行程参数化，不用改机械

支点 4：AI 模型的迁移学习

深度学习最大的换型障碍是「新件要重新训练几百张样本」。破解办法：

• 用预训练大模型做底座：基础缺陷识别能力已经训练好，新件只需 30-50 张样本微调
• 缺陷类别共享：划痕、凹坑、氧化的特征在不同件之间是通用的，模型只需学「这件长什么样」
• 主动学习：设备跑起来后自动标记「不确定」的样本，工人只需标注这些，效率比随机标高 5-10 倍

结果：新品类上线从「采 1000 张 + 训 3 天」压到「采 50 张 + 训 1 小时」。

方案选型对照表

场景	推荐方案	换型时间	预算档
5 种以内，年换型 < 50 次	振动盘 + 配方化软件	30-60 分钟	25-40 万
5-20 种，年换型 50-200 次	柔性振动盘 + 配方化 + 快换机械	5-15 分钟	40-70 万
20+ 种，年换型 200+ 次	3D 视觉 + 机器人 + AI 迁移学习	≤ 5 分钟	80-150 万
异形件 + 高混合 + 怕磕碰	皮带 + 视觉定位 + AI 迁移学习	3-10 分钟	60-100 万

三个真实坑，提前知道

坑 1：为了快换型，检测精度被妥协

有些厂商为了换型快，把定位做成「粗定位 + 视觉补偿」，结果对高精度尺寸测量不稳。如果你的件有 ±0.01mm 级测量要求，机械定位精度仍要保证，不能完全靠视觉补。

坑 2：配方管理是软件能力，不是买设备就送的

很多低价设备宣称「支持配方」，但配方只有 10 个槽位、没有版本管理、不能克隆。多品种场景至少要支持 100+ 配方 + 完整版本历史。

坑 3：AI 迁移学习听起来美，但依赖底座模型

不是所有厂商都有预训练大模型。有的只是把通用算法包装成「AI」。验证方法：让厂商现场演示新件上线，看从采图到能跑出结果的**真实时长**。

艾马的实践路径

我们的视觉分选平台按「多品种小批量」场景从头设计：

1. 配方化是底座：所有参数（视觉、光源、机构、运动）都进配方，一键切换
2. 快换机械是标配：零点定位 + 滑台参数化，换型不动扳手
3. AI 迁移学习自研底座：基于我们数百项目积累的缺陷特征库
4. 新品类上线服务：买设备不是结束，新件上线我们远程 1 小时交付配方

我们的中位客户换型时间 3 分 40 秒，最快记录 1 分 12 秒（机械零调整 + 配方一键调用）。