通过在机器视觉中添加额外的维度，3D机器视觉可以更容易地准确检测产品缺陷，从而提高质量并降低成本。

几十年来，工厂都需要人工检查每件产品和包装以确保质量。然而，机器视觉现在让制造商能够使用相对实惠的技术来降低成本并提高质量。借助机器视觉，工厂可以使用摄像头和基于人工智能的技术来捕获和分析图像。 

2D 机器视觉成为工厂中一个被广泛接受的机器视觉技术。借助 2D 机器视觉，工厂可以使用成像来构建零件和流程的整体 360 度视图，通过检测产品特征的位置来提供增强的检查。该技术将软件算法应用于批量生产零件的生产、检查和控制。2D 机器视觉可以快速执行重复动作，并能够进行预编程切换以批量处理一系列生产步骤，类似于计算机编程中的子程序，适合用于重复、大批量生产。 

工厂从二维机器视觉中看到许多好处，包括： 

• 改进缺陷检测

• 提高生产力

• 减少废料，从而降低成本

• 更快的生产时间 

• 运行机器所需的人力资产更少

然而，2D 机器学习也面临一些挑战。由于机器使用光线创建目标图像，因此 2D 机器视觉可能会因光照条件的变化而发生变化，例如一天中不同时间的阴影和阴影，这会使图像变得不那么清晰。此外，2D 方法适合二元评估，例如确定缺陷的特征是否存在，这限制了它的使用案例。 

3D 机器视觉与 2D 有何不同

为了克服这些挑战，一种新的改进成像解决方案问世了——3D 机器视觉。然而，增加图像深度需要升级整个流程才能更接近理想状态：零缺陷、准时交付和很低成本。借助 3D 机器视觉，传感器和相机可以捕捉所有三个维度，这意味着收集物体的完整尺寸数据。 

例如，3D 机器视觉可以将成品部件与其计算机辅助设计 (CAD) 模型进行比较，以提高质量。然后，工程师可以制定检查顺序，以检查由工程图或规范控制的 CAD 模型中的关键尺寸。然后，机器视觉根据模型评估零件，并批准该组件或将其丢弃到废料箱中。通过添加第三维数据，检查过程从简单的 2D 检查转变为直接比较 CAD 和产品。 

虽然该过程与二维过程类似，但通过软件和算法收集和分析数据，三维可以更轻松地确定缺陷的大小、形状、位置和位置，从而显著增加效益和用例。深度尺寸还提高了测量和切割的准确性，从而实现了更严格的制造公差。通过实现可重复和更严格的公差，制造商可以实现更多流程的自动化，从而降低每件生产成本。 

以下是两种常见用途：

动态响应 — 借助 3D 机器视觉，技术可以利用图像中的缺陷，通过使用特征在其他两个维度中的位置来创建精确的图像。由于这些流程可以创建更详细的视图，因此技术可以更快地对故障做出响应，而无需人工干预。更快的响应时间使流程更接近准时生产的目标。

系统性能 — 由于 3D 机器视觉能够提供更快、更准确的视图，工程师可以定义或预编程程序来评估零件完整性问题的严重程度。这样，工程师就可以优化机器以查看已知的错误来源，从而提高效率并降低零件成本。 

转向3D机器视觉

从 2D 机器视觉转向 3D 需要规划，而且通常需要进行一些升级。由于加入第三维会增加计算负荷，因此机器视觉技术提供商改进了其基础设施、弹性和按需计算支持，以满足 3D 机器视觉的更高要求。尽管第三维由于数据量较大而增加了处理成本，但结果比 2D 机器视觉提供了显著的优势和新的用例。通过采取必要步骤过渡到 3D 机器视觉，制造商可以在未来许多年内获得显著而持久的利益。