瑕疵检测深度学习模型需持续优化，通过新数据输入提升泛化能力。深度学习模型的泛化能力（适应不同场景、不同缺陷类型的能力）并非一成不变，若长期使用旧数据训练，面对新型缺陷（如新材料的未知瑕疵、生产工艺调整导致的新缺陷）时识别准确率会下降。因此，模型需建立持续优化机制：定期收集新的缺陷样本（如每月新增 1000 + 张新型缺陷图像），标注后输入模型进行增量训练；针对模型误判的案例（如将塑料件的正常缩痕误判为裂纹），分析误判原因，调整模型的特征提取权重；结合行业技术发展（如新材料应用、新工艺升级），更新模型的缺陷判定逻辑。例如在新能源电池检测中，随着电池材料从三元锂转向磷酸铁锂，模型通过输入磷酸铁锂电...

金属表面瑕疵检测挑战大，反光干扰需算法优化，凸显凹陷划痕。金属制品表面光滑，易产生强烈反光，导致检测图像出现亮斑、眩光，掩盖凹陷、划痕等真实缺陷，给检测带来极大挑战。为解决这一问题，检测系统需从硬件与算法两方面协同优化：硬件上采用偏振光源、多角度环形光，通过调整光线入射角削弱反光，使缺陷区域与金属表面形成明显灰度对比；算法上开发自适应反光抑制技术，通过图像分割算法分离反光区域与缺陷区域，再用灰度拉伸、边缘增强算法凸显凹陷的轮廓、划痕的走向。例如在不锈钢板材检测中，优化后的系统可有效过滤表面反光，识别 0.1mm 宽、0.05mm 深的细微划痕，检测准确率较传统方案提升 40% 以上。多光谱成像...

航空零件瑕疵检测要求零容忍，微小裂纹可能引发严重安全隐患。航空零件（如发动机叶片、机身框架、起落架部件）在高空、高压、高速环境下工作，哪怕 0.1mm 的微小裂纹，也可能在受力过程中扩大，导致零件断裂、飞机失事，因此检测必须 “零容忍”。检测系统需采用超高精度技术：用超声探伤检测零件内部裂纹（可识别深度≤0.05mm 的裂纹），用渗透检测检测表面细微缺陷（如、划痕），用激光雷达检测尺寸偏差（误差≤0.001mm）。例如检测航空发动机叶片时，超声探伤可穿透叶片金属材质，发现内部因高温高压产生的微小裂纹；渗透检测则能检测叶片表面因磨损产生的缺陷，任何检测出的缺陷都不允许修复，直接判定为不合格并销毁...

布料瑕疵检测通过卷绕过程扫描，实时标记缺陷位置，便于后续裁剪。布料生产以卷为单位（每卷长度可达 1000 米），传统检测需展开布料逐一排查，效率低且易产生二次褶皱。卷绕式检测系统与布料卷绕机同步运行，布料在卷绕过程中，线阵相机实时扫描表面，算法识别织疵、色差等缺陷后，立即在系统中标记缺陷位置（如 “距离卷头 120 米，宽度方向 30cm 处，存在 2mm×5mm 断经缺陷”）。同时，系统可在布料边缘打印色点标记，后续裁剪时，工人根据色点快速找到缺陷区域，避开缺陷裁剪合格面料。例如某服装厂采用该系统后，每卷布料检测时间从 8 小时缩短至 1 小时，缺陷定位精度≤5cm，布料利用率从 85% 提...

瑕疵检测系统需定期校准，确保光照、参数稳定，维持检测一致性。瑕疵检测结果易受外界环境与设备状态影响：光照强度变化可能导致图像明暗不均，误将正常纹理判定为瑕疵；镜头磨损、算法参数漂移会使检测精度下降，出现漏检情况。因此，系统必须建立定期校准机制：每日开机前，用标准灰度卡校准摄像头白平衡与曝光参数，确保图像采集稳定性；每周检查光源亮度，更换衰减超过 10% 的灯管，避免光照差异干扰检测；每月用标准缺陷样本（如预设尺寸的划痕、斑点样本）验证算法判定准确性，若偏差超过阈值，及时调整参数。通过标准化校准流程，可确保无论何时、何人操作，系统都能保持统一的检测标准，避免因设备状态波动导致的检测结果不一致。航...

人工智能让瑕疵检测更智能，可自主学习新缺陷类型，减少人工干预。传统瑕疵检测系统需人工预设缺陷参数，遇到新型缺陷时无法识别，必须依赖技术人员重新调试，耗时费力。人工智能的融入让系统具备 “自主学习” 能力：当检测到疑似新型缺陷时，系统会自动保存该缺陷图像，并标记为 “待确认”；技术人员审核后，若判定为新缺陷类型，系统会将其纳入缺陷数据库，通过迁移学习快速掌握该缺陷的特征，后续再遇到同类缺陷即可自主识别。此外，AI 还能优化检测流程：根据历史数据统计不同缺陷的高发时段与工位，自动调整检测重点 —— 如某条产线上午 10 点后易出现划痕，系统会自动提升该时段的划痕检测灵敏度。通过 AI 技术，系统可...

瑕疵检测报告直观呈现缺陷类型、位置，助力质量改进决策。瑕疵检测并非输出 “合格 / 不合格” 的二元结果，更重要的是通过检测报告为企业质量改进提供数据支撑。报告采用可视化图表（如缺陷类型分布饼图、缺陷位置热力图），直观呈现：某时间段内各类缺陷的占比（如划痕占 30%、凹陷占 25%）、缺陷高发的生产工位（如 2 号冲压机的缺陷率达 8%）、缺陷严重程度分级（轻微、中度、严重）。同时，报告还会生成趋势分析曲线，展示缺陷率随时间的变化（如每周一早晨缺陷率偏高），帮助管理人员定位根本原因（如设备停机后参数漂移）。例如某汽车零部件厂通过分析检测报告，发现焊接缺陷集中在夜班生产时段，进而调整夜班的焊接温...

陶瓷制品瑕疵检测关注裂纹、斑点，借助图像处理技术提升效率。陶瓷制品在烧制过程中易产生裂纹（如热胀冷缩导致的细微裂痕）、斑点（如原料杂质形成的异色点），传统人工检测需强光照射、反复观察，效率低下且易漏检。图像处理技术的应用彻底改变这一现状：检测系统先通过高对比度光源照射陶瓷表面，使裂纹与斑点更易识别；再用图像增强算法突出缺陷特征 —— 将裂纹区域锐化、斑点区域提亮；通过边缘检测算法定位裂纹长度与走向，用灰度分析判定斑点大小。例如在陶瓷餐具检测中，系统每秒可检测 2 件产品，识别 0.2mm 的表面裂纹与 0.5mm 的斑点，检测效率较人工提升 5 倍以上，同时将漏检率从人工的 5% 降至 0.3...

3D 视觉技术拓展瑕疵检测维度，立体还原工件形态，识破隐藏缺陷。传统 2D 视觉检测能捕捉平面图像，难以识别工件表面凹凸、深度裂纹等隐藏缺陷，而 3D 视觉技术通过激光扫描、结构光成像等方式，可生成工件的三维点云模型，立体还原其形态细节。例如在机械零件检测中，3D 视觉系统能测量零件表面的凹陷深度、凸起高度，甚至识别 2D 图像中被遮挡的内部结构缺陷；在注塑件检测中，可通过对比标准 3D 模型与实际工件的点云差异，快速定位壁厚不均、缩痕等问题。这种立体检测能力，打破了 2D 检测的维度限制，尤其适用于复杂曲面、异形结构工件，让隐藏在平面视角下的缺陷无所遁形。工业瑕疵检测需兼顾速度与精度，适配生...

金属表面瑕疵检测挑战大，反光干扰需算法优化，凸显凹陷划痕。金属制品表面光滑，易产生强烈反光，导致检测图像出现亮斑、眩光，掩盖凹陷、划痕等真实缺陷，给检测带来极大挑战。为解决这一问题，检测系统需从硬件与算法两方面协同优化：硬件上采用偏振光源、多角度环形光，通过调整光线入射角削弱反光，使缺陷区域与金属表面形成明显灰度对比；算法上开发自适应反光抑制技术，通过图像分割算法分离反光区域与缺陷区域，再用灰度拉伸、边缘增强算法凸显凹陷的轮廓、划痕的走向。例如在不锈钢板材检测中，优化后的系统可有效过滤表面反光，识别 0.1mm 宽、0.05mm 深的细微划痕，检测准确率较传统方案提升 40% 以上。机器视觉瑕...

瑕疵检测阈值设置影响结果，需平衡严格度与生产实际需求。检测阈值是判定产品合格与否的 “标尺”：阈值过严，会将轻微、不影响使用的瑕疵判定为不合格，导致过度筛选，增加生产成本；阈值过松，则会放过严重缺陷，引发客户投诉。因此，阈值设置必须结合产品用途、行业标准与客户需求综合考量：例如产品对缺陷零容忍，阈值需设置为 “只要存在可识别缺陷即判定不合格”；民用消费品（如塑料制品）可适当放宽阈值，允许存在不影响功能与外观的微小瑕疵（如 0.1mm 以下的划痕）。同时，阈值需动态调整：若某批次原料品质下降，可临时收紧阈值，避免缺陷率上升；若客户反馈合格产品存在外观问题，需重新评估阈值合理性。通过平衡严格度与生...

航空零件瑕疵检测要求零容忍，微小裂纹可能引发严重安全隐患。航空零件（如发动机叶片、机身框架、起落架部件）在高空、高压、高速环境下工作，哪怕 0.1mm 的微小裂纹，也可能在受力过程中扩大，导致零件断裂、飞机失事，因此检测必须 “零容忍”。检测系统需采用超高精度技术：用超声探伤检测零件内部裂纹（可识别深度≤0.05mm 的裂纹），用渗透检测检测表面细微缺陷（如、划痕），用激光雷达检测尺寸偏差（误差≤0.001mm）。例如检测航空发动机叶片时，超声探伤可穿透叶片金属材质，发现内部因高温高压产生的微小裂纹；渗透检测则能检测叶片表面因磨损产生的缺陷，任何检测出的缺陷都不允许修复，直接判定为不合格并销毁...

工业瑕疵检测需兼顾速度与精度，适配生产线节奏，降低漏检率。工业生产中，检测速度过慢会拖慢整条流水线，导致产能下降；精度不足则会使不合格品流入市场，引发客户投诉。因此，系统设计必须平衡两者关系：首先根据生产线节拍确定检测速度基准，例如汽车零部件流水线每分钟生产 30 件，检测系统需确保单件检测时间≤2 秒；在此基础上，通过优化算法（如采用 “粗检 + 精检” 两步法，先快速排除明显合格产品，再对疑似缺陷件精细检测）提升效率。同时，针对关键检测项（如航空零件的结构强度缺陷），即使部分速度，也要确保精度达标 —— 采用更高分辨率相机、增加检测维度。例如在手机屏幕检测中，系统可在 1.5 秒内完成外观...

瑕疵检测与 MES 系统联动，将质量数据融入生产管理，优化流程。MES 系统（制造执行系统）负责生产过程的计划、调度与监控，瑕疵检测系统与其联动，可实现质量数据与生产数据的深度融合：检测系统将实时缺陷数据（如某工位缺陷率、某批次合格率）传输至 MES 系统，MES 系统结合生产计划、设备状态等数据，动态调整生产安排 —— 若某工位缺陷率突然上升至 10%，MES 系统可自动暂停该工位生产，推送预警信息至管理人员，待问题解决后再恢复。同时，MES 系统可生成质量报表（如每日合格率、月度缺陷趋势），帮助管理人员分析生产流程中的薄弱环节。例如某汽车零部件厂通过联动，当检测到发动机缸体裂纹缺陷率超标时...

瑕疵检测算法持续迭代，从规则匹配到智能学习，适应多样缺陷。瑕疵检测算法的发展历经 “规则驱动” 到 “数据驱动” 的迭代升级，逐步突破对单一、固定缺陷的检测局限，适应日益多样的缺陷类型。早期规则匹配算法需人工预设缺陷特征（如划痕的长度、宽度阈值），能检测形态固定的缺陷，面对不规则缺陷（如金属表面的复合型划痕）时效果不佳；如今的智能学习算法（如 CNN 卷积神经网络）通过海量缺陷样本训练，可自主学习不同缺陷的特征规律，不能识别已知缺陷，还能对新型缺陷进行概率性判定。例如在纺织面料检测中，智能算法可同时识别断经、跳花、毛粒等十多种不同形态的织疵，且随着样本量增加，识别准确率会持续提升，适应面料种类...

瑕疵检测报告直观呈现缺陷类型、位置，助力质量改进决策。瑕疵检测并非输出 “合格 / 不合格” 的二元结果，更重要的是通过检测报告为企业质量改进提供数据支撑。报告采用可视化图表（如缺陷类型分布饼图、缺陷位置热力图），直观呈现：某时间段内各类缺陷的占比（如划痕占 30%、凹陷占 25%）、缺陷高发的生产工位（如 2 号冲压机的缺陷率达 8%）、缺陷严重程度分级（轻微、中度、严重）。同时，报告还会生成趋势分析曲线，展示缺陷率随时间的变化（如每周一早晨缺陷率偏高），帮助管理人员定位根本原因（如设备停机后参数漂移）。例如某汽车零部件厂通过分析检测报告，发现焊接缺陷集中在夜班生产时段，进而调整夜班的焊接温...

布料瑕疵检测通过卷绕过程扫描，实时标记缺陷位置，便于后续裁剪。布料生产以卷为单位（每卷长度可达 1000 米），传统检测需展开布料逐一排查，效率低且易产生二次褶皱。卷绕式检测系统与布料卷绕机同步运行，布料在卷绕过程中，线阵相机实时扫描表面，算法识别织疵、色差等缺陷后，立即在系统中标记缺陷位置（如 “距离卷头 120 米，宽度方向 30cm 处，存在 2mm×5mm 断经缺陷”）。同时，系统可在布料边缘打印色点标记，后续裁剪时，工人根据色点快速找到缺陷区域，避开缺陷裁剪合格面料。例如某服装厂采用该系统后，每卷布料检测时间从 8 小时缩短至 1 小时，缺陷定位精度≤5cm，布料利用率从 85% 提...

纺织品瑕疵检测关注织疵、色差，灯光与摄像头配合还原面料细节。纺织品面料纹理复杂，织疵（如断经、跳花、毛粒）与色差易被纹理掩盖，检测难度较大。为此，检测系统采用 “多光源 + 多角度摄像头” 组合方案：针对轻薄面料，用透射光凸显纱线密度不均；针对厚重面料，用侧光照射增强织疵的立体感；针对印花面料，用高显色指数光源还原真实色彩，避免光照导致的色差误判。摄像头则采用线阵相机，配合面料传送速度同步扫描，生成高清全景图像。算法方面，通过建立 “正常纹理模型”，自动比对图像中偏离模型的区域，定位织疵位置；同时接入标准色卡数据库，用 Lab 色彩空间量化面料颜色，差值超过 ΔE=1.5 即判定为色差，确保纺...

瑕疵检测数据积累形成知识库，为质量分析和工艺改进提供依据。每一次瑕疵检测都会生成海量数据（如缺陷类型、位置、严重程度、生产批次、设备参数），将这些数据长期积累，可形成企业专属的 “瑕疵知识库”。通过数据分析工具挖掘规律：如统计某类缺陷的高发时段（如夜班缺陷率高于白班）、高发工位（如 2 号注塑机的缺胶缺陷率达 8%），定位问题源头；分析缺陷与生产参数的关联（如注塑温度过低导致缺胶），为工艺改进提供方向。例如某塑料件生产企业，通过知识库分析发现 “缺胶缺陷” 与注塑压力正相关，将注塑压力从 80MPa 提升至 85MPa 后，缺胶缺陷率从 7% 降至 1.2%。知识库还可用于新员工培训，通过展示...

瑕疵检测数据标注需细致，为算法训练提供准确的缺陷样本参考。算法模型的性能取决于训练数据的质量，数据标注作为 “给算法喂料” 的关键环节，必须做到细致、准确。标注时，标注人员需根据缺陷类型（如划痕、凹陷、色差）、严重程度（轻微、中度、严重）进行分类标注，且标注边界必须与实际缺陷完全吻合 —— 例如标注划痕时，需精确勾勒划痕的起点、终点与宽度变化；标注色差时，需在色差区域内选取多个采样点，确保算法能学习到完整的缺陷特征。同时，需涵盖不同场景下的缺陷样本：如同一类型划痕在不同光照、不同角度下的图像，避免算法 “偏科”。只有通过细致的标注，才能为算法训练提供高质量样本，确保模型在实际应用中具备的缺陷识...

皮革瑕疵检测区分天然纹路与缺陷，保障产品外观质量与价值。皮革的天然纹路（如牛皮的生长纹、羊皮的毛孔纹理）与缺陷（如、虫眼、裂纹）易混淆，误判会导致皮革被浪费或瑕疵皮革流入市场，影响产品价值。检测系统通过 “纹理建模 + AI 识别” 实现区分：首先采集大量不同种类皮革的天然纹路样本，建立 “天然纹理数据库”；算法通过对比检测图像与数据库的纹理特征，分析纹路的连续性、规律性（天然纹路呈自然分布，缺陷纹路断裂、不规则），区分天然纹路与缺陷。例如在皮包生产中，系统可准确识别皮革上的天然生长纹与缺陷，将无缺陷的皮革用于皮包表面，有轻微天然纹路的用于内部，有缺陷的则剔除，既保障产品外观质量，又提高皮革利...

深度学习赋能瑕疵检测，通过海量数据训练，提升复杂缺陷识别能力。传统瑕疵检测算法对规则明确的简单缺陷识别效果较好，但面对形态多样、边界模糊的复杂缺陷（如金属表面的不规则划痕、纺织品的混合织疵）时，易出现误判、漏判。而深度学习技术通过构建神经网络模型，用海量缺陷样本进行训练 —— 涵盖不同光照、角度、形态下的缺陷图像，让模型逐步学习各类缺陷的特征规律。训练完成后，系统不能快速识别已知缺陷，还能对未见过的新型缺陷进行初步判断，甚至自主优化识别逻辑。例如在汽车钣金检测中，深度学习模型可区分 “碰撞凹陷” 与 “生产压痕”，大幅提升复杂场景下的缺陷识别准确率。瑕疵检测与 MES 系统联动，将质量数据融入...

多光谱成像技术提升瑕疵检测能力，可识别肉眼难见的材质缺陷。多光谱成像技术突破了肉眼与传统可见光成像的局限，通过采集产品在不同波长光谱（如紫外、红外、近红外）下的图像，捕捉材质内部的隐性缺陷 —— 这类缺陷在可见光下无明显特征，但在特定光谱下会呈现独特的光学响应。例如在农产品检测中，近红外光谱成像可识别苹果表皮下的霉变、果肉内部的糖心；在纺织品检测中，紫外光谱成像可检测面料中的荧光增白剂超标问题；在金属材料检测中，红外光谱成像可识别材料内部的应力裂纹。多光谱成像结合光谱分析算法，能从材质成分、结构层面挖掘缺陷信息，让肉眼难见的隐性缺陷 “显形”，大幅拓展瑕疵检测的覆盖范围与深度。瑕疵检测算法持续...

瑕疵检测深度学习模型需持续优化，通过新数据输入提升泛化能力。深度学习模型的泛化能力（适应不同场景、不同缺陷类型的能力）并非一成不变，若长期使用旧数据训练，面对新型缺陷（如新材料的未知瑕疵、生产工艺调整导致的新缺陷）时识别准确率会下降。因此，模型需建立持续优化机制：定期收集新的缺陷样本（如每月新增 1000 + 张新型缺陷图像），标注后输入模型进行增量训练；针对模型误判的案例（如将塑料件的正常缩痕误判为裂纹），分析误判原因，调整模型的特征提取权重；结合行业技术发展（如新材料应用、新工艺升级），更新模型的缺陷判定逻辑。例如在新能源电池检测中，随着电池材料从三元锂转向磷酸铁锂，模型通过输入磷酸铁锂电...

深度学习赋能瑕疵检测，通过海量数据训练，提升复杂缺陷识别能力。传统瑕疵检测算法对规则明确的简单缺陷识别效果较好，但面对形态多样、边界模糊的复杂缺陷（如金属表面的不规则划痕、纺织品的混合织疵）时，易出现误判、漏判。而深度学习技术通过构建神经网络模型，用海量缺陷样本进行训练 —— 涵盖不同光照、角度、形态下的缺陷图像，让模型逐步学习各类缺陷的特征规律。训练完成后，系统不能快速识别已知缺陷，还能对未见过的新型缺陷进行初步判断，甚至自主优化识别逻辑。例如在汽车钣金检测中，深度学习模型可区分 “碰撞凹陷” 与 “生产压痕”，大幅提升复杂场景下的缺陷识别准确率。纺织品瑕疵检测关注织疵、色差，灯光与摄像头配...

瑕疵检测系统需定期校准，确保光照、参数稳定，维持检测一致性。瑕疵检测结果易受外界环境与设备状态影响：光照强度变化可能导致图像明暗不均，误将正常纹理判定为瑕疵；镜头磨损、算法参数漂移会使检测精度下降，出现漏检情况。因此，系统必须建立定期校准机制：每日开机前，用标准灰度卡校准摄像头白平衡与曝光参数，确保图像采集稳定性；每周检查光源亮度，更换衰减超过 10% 的灯管，避免光照差异干扰检测；每月用标准缺陷样本（如预设尺寸的划痕、斑点样本）验证算法判定准确性，若偏差超过阈值，及时调整参数。通过标准化校准流程，可确保无论何时、何人操作，系统都能保持统一的检测标准，避免因设备状态波动导致的检测结果不一致。皮...

瑕疵检测用技术捕捉产品缺陷，从微小划痕到结构瑕疵，守护品质底线。无论是消费品还是工业产品，缺陷类型多样，小到电子屏幕的微米级划痕，大到机械零件的结构性裂纹，都可能影响产品性能与安全。瑕疵检测技术通过 “全维度覆盖” 守护品质：表面缺陷方面，用高分辨率成像识别划痕、斑点、色差；内部缺陷方面，用 X 光、超声波检测材料内部空洞、裂纹；尺寸缺陷方面，用激光测距仪验证关键尺寸是否达标。例如在医疗器械检测中，系统可同时检测 “外壳划痕”（表面）、“内部线路虚焊”（结构）、“接口尺寸偏差”（尺寸），排查潜在问题。通过技术手段将各类缺陷 “一网打尽”，可确保产品出厂前符合品质标准，避免因缺陷导致的安全事故与...

瑕疵检测深度学习模型需持续优化，通过新数据输入提升泛化能力。深度学习模型的泛化能力（适应不同场景、不同缺陷类型的能力）并非一成不变，若长期使用旧数据训练，面对新型缺陷（如新材料的未知瑕疵、生产工艺调整导致的新缺陷）时识别准确率会下降。因此，模型需建立持续优化机制：定期收集新的缺陷样本（如每月新增 1000 + 张新型缺陷图像），标注后输入模型进行增量训练；针对模型误判的案例（如将塑料件的正常缩痕误判为裂纹），分析误判原因，调整模型的特征提取权重；结合行业技术发展（如新材料应用、新工艺升级），更新模型的缺陷判定逻辑。例如在新能源电池检测中，随着电池材料从三元锂转向磷酸铁锂，模型通过输入磷酸铁锂电...

汽车漆面瑕疵检测用灯光扫描，橘皮、划痕在特定光线下无所遁形。汽车漆面的橘皮（表面波纹状纹理）、细微划痕等瑕疵影响外观品质，且在自然光下难以察觉，需通过特殊灯光扫描凸显缺陷。检测系统采用 “多角度 LED 光源阵列 + 高分辨率相机” 组合：光源从 45°、90° 等不同角度照射漆面，橘皮会因光线反射形成明暗交替的波纹，划痕则会产生明显的阴影；相机同步采集不同角度的图像，算法通过分析图像的灰度变化，量化橘皮的波纹深度（允许误差≤5μm），测量划痕的长度与宽度（可识别 0.05mm 宽的划痕）。例如在汽车总装线检测中，系统通过灯光扫描可识别车身漆面的橘皮缺陷，以及运输过程中产生的细微划痕，确保车辆...

瑕疵检测系统集成传感器、算法和终端，形成完整质量监控闭环。一套完整的瑕疵检测系统需实现 “数据采集 - 分析判定 - 反馈控制” 的闭环管理，各组件协同运作：传感器（如视觉传感器、压力传感器、光谱传感器）负责采集产品的图像、尺寸、压力等数据；算法模块对采集的数据进行处理，通过特征提取、缺陷识别判定产品是否合格；终端（如中控屏幕、移动 APP）实时展示检测结果，不合格产品自动触发预警，并向生产线 PLC 系统发送信号，控制分拣装置将其剔除。例如在食品罐头生产线中，压力传感器检测罐头密封性，视觉传感器检测标签位置，算法判定不合格后，终端显示缺陷信息，同时控制机械臂将不合格罐头分拣至废料区，形成 “...