视觉检测类项目经历哪些测试阶段

随着智能机器人产业的持续发展，视觉检测机器正迸发出更加强劲的活力。

什么是视觉检测设备

视觉检测是指通过机器视觉产品（即图像摄取装置，分 CMOS 和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

随着人工智能技术的快速落地，智能机器人产业的持续发展，视觉检测机器正迸发出更加强劲的活力。

视觉检测设备设计的典型结构主要包括五个部分组成，分别是：照明、镜头、相机、图像采集和运动控制系统。

视觉检测类项目经历哪些测试阶段

1.软件测试

聚焦功能实现是否与客户需求一致，保证软件流程的正确性，以及正确的应用逻辑关系。

通过对软件的输入进行控制，从而达到不同的测试结果，通过输入输出的差异比较测试是否正确和准确，从而发现系统中的漏洞，展开研发修改与测试验证的循环过程。

2.硬件测试

针对硬件本身以及环境开展硬件可靠性测试，比如老化测试、兼容性测试、故障率测试等。

需要对常见的硬件配置进行测试，从而确定软件能够在多种硬件配置环境下运行，例如：与整机、板卡和外设的兼容性测试。

3.联调测试

主要对软硬件联调功能展开测试：验证电气与软件信号通讯逻辑、光源、相机等硬件触发拍照、扫描等功能的正确性及检出情况的统计等。

如遇外系统对接，则需要检查各系统间模块基本功能、算法检出能力与节拍等内容是否符合客户预期标准。

4.模型测试

针对模型测试，重点关注模型的功能测试、性能测试、模型指标的评估及指标结果分析。

采取方法：采取A/B测试、鲁棒性测试、离线测试、在线测试等手段，评估模型的可靠性及稳定性。

离线测试/在线测试：历史数据进行离线环境训练与测试评估，生成离线模型版本。为确保模型服务稳定性，需要对模型进行线上线下一致性验证、模型线上稳定性验证测试。

一致性测试：使用同一批样本分别在离线与在线环境下请求模型服务，系统对模型服务决策结果进行对比分析。

稳定性测试：采用线上新样本请求模型，根据模型的决策结果对模型进行评估。模型评估指标参考：KS、ROC等。

A/B测试：算法模型在确保稳定性时会迭代产生多个版，在线服务如使用模型A进行决策，当要进行模型版本迭代时，需要在离线环境下训练出模型B,然后将其部署到线上环境，分析在线与离线的A/B测试结果，通过转化率等方式辅助决策使用哪个版本。

5.性能测试

软件模拟不同用户量开展接口的性能测试。

硬件开展连续采图，验证程序的稳定性、信号通讯稳定性、存图逻辑正确性。

软硬件联调稳定性测试：基于客户生产环境部署场景，实施一定时长的负载运行，监控分析检测节拍及性能指标是否符合客户预期。

如何开展视觉检测设备的测试工作？

1.产品需求分析

需求分析是开始测试工作的第一步，根据项目本身的需求资料输入，测试人员需提炼出该项目的测试范围、 功能点、业务流程、预期输出、异常流程以及所需的时间和资源。

2.测试点拆解

测试用例是一组由前提条件、测试输入、执行条件以及预期结果等组成，以完成对某个特定需求或者目标测试的数据，体现测试方案、方法、技术和策略的文档。

测试工程师需要针对具体项目的需求，从机械、电气、软件、算法等方面展开思考，设计测试用例。

3.测试执行与缺陷管理

区分测试阶段：分别执行测试用例，运用测试工具辅助进行测试，提升测试效率，例如：相机调试工具、PLC调试软件、数据库工具、接口、性能测试工具等。

缺陷的定义：

（1）未达到合同或技术协议中约定的功能要求； 

（2）出现了产品说明书指明不会出现的错误 ；

（3）功能超出产品说明书范围 ；

（4）未达到产品说明书虽未指出但应达到的目标； 

（5）被认为难以理解、不易操作、运行速度慢或最终用户认为不好。测试工程师需要明确缺陷的类型、优先级与严重程度，运用缺陷管理工具或缺陷清单的方式进行缺陷的记录、反馈、验证等工作。

4、重要检查项的验证

发货前的验证，需要关注以下几点：

线路的安全检查：必须先安装地线。

视觉检查设备工作时，存在高电压，为了避免安全事故，在频繁使用视觉检查装置的时间上，通过设置接地线，安全对策会大幅提高。

电压的稳定性检查：一般工业设备工作时的电压为220V，其中也有380V。

电压不对称容易对人们的工业设备造成比较严重的伤害，降低机械设备的使用期限。

接口检查：例如数字量输入和输出，用于触发的启动器，与PLC的通信，机器人，线性轴，数据库系统等。

调试验证：使用少量的工件变量进行手动和自动操作的系统测试。

结果记录：应详细记录好坏图像以及对测试结果的评估。

一套高品质的机器视觉检测系统

必须具备的条件

1.高品质的成像系统

成像系统被称为视觉检测设备的“眼睛”，因此“眼睛”识别能力的好坏是评价成像系统的最关键指标。通常，成像系统的评价指标主要体现在三个方面：

（1）能否发现存在的缺陷

基于图像方法进行的检测，所能够依据的最原始也是唯一的资料即是所采到的图像上的颜色(或者亮度变化），除此之外，没有其他资料可供参考。

所以，一个高品质的成像系统首先应该是一个能充分表现被检测物表面颜色变化的成像系统。

因此除了选择具有高清晰度的相机与镜头之外，用以营造成像环境的光照设计也显得非常重要，有时候甚至会出现为特殊缺陷专门设计的光照系统。

经常所说的100%质量检测系统，实际上指的是在能够充分表现各种缺陷的图像中的100%全检。

（2）能够发现的缺陷的最小尺寸

数字图像的最小计量单位是像素(pixel），它本身并不代表被摄物实际的尺寸大小。

被摄物实际尺寸大小与像素之间的关联是通过一个叫做分辨力的物理量来完成的。分辨力指的是每单位像素代表的实际物体尺寸。

分辨力数值越小，图像的精细程度就越高，检测系统能够发现的缺陷尺寸就越小，检测精度就越高。

（3）能否足够快地摄取图像

如同人眼看运动物体一样，当物体运动的足够快时，人眼就不能再清晰的观察到物体的全部。

机器视觉检测系统的“眼睛”摄像机也有一个拍摄速度上限，即相机主频。

当被摄物的运行速度超出了摄像机的主频上限时，摄像机就不能获得清晰、完整的图像，检测就不能正常地继续下去。

摄像机主频越高，采集速度也就越快，检测才能保持高效进行。

因此，是否采用了足够高主频的摄像机也是评价一个成像系统是否高品质的关键因素。

2.成熟的图像处理与分析算法

图像处理与分析算法在整个检测系统中相当于人工检测时人脑的判断思维。

由于机器视觉是一个实践性很强的学科，评价一个算法的好坏更多的是依赖于实际应用的验证，而非考察算法中是否采用了比较先进或高深复杂的理论。

因此一个能够充分模拟人脑判断过程与方法并且稳定、高效的图像处理与分析算法才是我们需要的，也就是所谓的成熟的处理与分析算法。

因此，在设计处理算法时，需要充分分析人的判断过程，并将其转换成计算机的语言。

3.可操作性好

可操作性好主要要求检测设备的应用操作要具备简洁、方便并易于理解的特点。比如系统有友好的人机交互界面、良好的导向性操作设计等。

4.稳定的其他配套设施

其他配套设施指的是除了检测系统以外的设施，如传输控制平台、缺陷处理装置(剔除、报警、标记等)。要求是必须运行稳定、信号响应及时、迅速。