工业视觉工具链怎么选：Halcon、VisionMaster、OpenCV、YOLO 各自适合什么场景

先定场景，再选工具

选型的第一问不是「用哪家软件」，而是「这道工序要判定的缺陷，能不能用规则写清楚」。尺寸超差、少装一颗螺钉、条码读不出——这些可以用几何、对比度、模板匹配写进判定逻辑。表面划痕形态多变、织物纹理里的瑕疵、装配动作是否合规——这些很难穷举规则，通常要靠样本训练。

这一步分错了，后面换工具也救不回来。规则场景硬上深度学习，会把样本采集、标注和模型维护变成长期负担；反过来，形态多变的外观缺陷硬写规则，上线后误报漏报会让质检人员关掉这套系统。

• 规则可描述：尺寸、位置、有无、条码与字符读取——传统算法更合适
• 难以穷举：外观缺陷形态多变、纹理背景复杂、动作时序是否合规——需要样本与深度学习
• 混合场景很常见：同一工位既测尺寸又看出瑕，这时可以两种工具链并行，而不是强行选一个覆盖全部

四类工具链各自适合什么

下面按我们实际承接过的工程能力来对照，不按厂商宣传口径。工业机器视觉开发覆盖 Halcon、海康 VisionMaster（VM）、OpenCV、YOLO 深度学习等工具链，可按场景承接外观缺陷、尺寸测量、定位引导、OCR、装配防错和捆包检测，并把视觉数据纳入追溯链。

• Halcon：算法库齐全，尺寸测量、定位引导、几何与形态学处理这类规则场景用得上；工程化程度高，适合对测量重复性和标定有明确要求的工位
• 海康 VisionMaster：图形化配置，标准检测项上手快，适合产线侧工程师自己维护一部分检测流程；和海康相机、光源生态衔接紧
• OpenCV：自由度高、便于嵌入既有上位机或 MES 客户端，适合已经有软件架构、只差视觉判定模块的项目；算法与工程框架都要自己搭
• YOLO 等深度学习：适合难以用规则穷举的外观缺陷和目标检测；必须准备样本、标注规范和算力，上线后还要有人持续维护误报漏报

工具链、适用场景与需要准备的前提

把「适合什么」和「没有这些前提就不要上」放在同一张表里看，选型会实际得多。表里的前提缺任何一项，项目周期都会被拉长，而且往往不在软件本身。

同一工位可以两种工具链并用。例如尺寸走 Halcon、外观走 YOLO，判定结果再汇入同一条追溯记录。不要为了「一套工具覆盖全部」牺牲各条判定的可靠性。

选型之外更决定成败的五件事

• 照明与治具：光源角度、颜色、偏振和工件定位重复性，往往比算法更能决定检出是否稳定；这两项不定，换任何工具链都在赌
• NG 判定标准要写进文字：什么叫不良、边界样本怎么处理、谁有权改阈值，必须在验收前书面约定，否则上线后质检与工艺会各执一词
• 样本要按真实产线积累：深度学习尤其依赖换型、换料、换班次之后的样本；实验室里拍的图不能代表现场
• 产线节拍约束：从触发拍照到给出 OK/NG 的时间必须短于工位节拍，并留出机械动作余量；超时的系统现场会关掉
• 视觉结果要进追溯链：判定结果、NG 抓拍、工位、工件号、时间戳一并写入，后续客诉和质量分析才用得上

装配防错这条线上，能力要按路线分开说，不能笼统承诺「AI-SOP 已经成熟」。HkVisionPro 多层装配逐层特征点检测——本层全 OK 后自动流转、NG 报警与抓拍存证——已有部署。OrpaonVision 动作识别单机路线接近商用，仍须结合工位数据、节拍和验收标准完成场景验收，不能写成已规模化交付。OrpaonSOP 的海康 VM 插件化路线仍在研发与联合验证阶段，不作标准交付承诺。准确率须按具体工位、样本与验收口径在场景验收中确认，本文不作数字承诺。