很多刚接触工业视觉 AI 的工程师都会有一个非常简单的理解：

一个工业视觉系统大概是这样：

相机
 ↓
YOLO检测
 ↓
OK / NG

看起来似乎很简单。

但只要真正做过一个上线项目，你就会发现：

真实的工业视觉系统根本不是这样。

真实的系统更像是一个完整的软件系统工程。

它通常包含：

• 图像采集
• 数据缓存
• AI 推理
• ROI 分析
• 传统视觉算法
• PLC 通讯
• UI 显示
• 日志系统
• 数据存储
• 配置管理

很多 AI 项目失败，其实并不是因为 模型不行。

而是因为：

系统架构从一开始就没有设计好。

这篇文章，我就结合 C# + YOLOv26 + ONNX + Halcon 的实际项目经验，拆解一个完整工业视觉 AI 系统到底长什么样。

一、真实的工业视觉 AI 系统结构

一个典型工业视觉系统通常分为 五层架构：

设备层
数据层
AI推理层
算法层
系统层

整体结构如下：

      工业视觉 AI 系统

 ┌─────────────────────────────────────┐
 │               设备层                │
 │ 相机  光源  PLC  触发信号           │
 └─────────────────────────────────────┘
                    │
                    ▼
 ┌─────────────────────────────────────┐
 │               数据层                │
 │ 图像采集  RingBuffer  任务队列      │
 └─────────────────────────────────────┘
                    │
                    ▼
 ┌─────────────────────────────────────┐
 │             AI 推理层               │
 │ YOLOv26 + ONNXRuntime               │
 │ 缺陷检测 / 目标定位                  │
 └─────────────────────────────────────┘
                    │
                    ▼
 ┌─────────────────────────────────────┐
 │              算法层                 │
 │ ROI 提取 + Halcon 测量              │
 │ 尺寸检测 / 精确定位                 │
 └─────────────────────────────────────┘
                    │
                    ▼
 ┌─────────────────────────────────────┐
 │               系统层                │
 │ UI显示  PLC输出  日志  数据存储      │
 └─────────────────────────────────────┘

很多人第一次看到这个结构会发现：

原来工业视觉系统并不是一个“AI项目”，而是一个完整的软件系统。

二、设备层：工业视觉系统的入口

设备层负责和真实硬件交互。

通常包括：

工业相机
光源控制器
PLC
触发信号

典型流程：

PLC 触发
   ↓
相机采图
   ↓
图像进入处理流程

在 C# 项目中通常会有一个模块：

CameraService

负责：

相机连接
图像抓取
触发控制
异常恢复

很多系统一开始就出问题，其实是因为：

相机采集和算法处理耦合在一起。

正确做法应该是：

采集与处理解耦。

三、数据层：工业系统最容易被忽略的部分

很多 Demo 项目是这样写的：

GrabImage()
Detect()
Show()

但真实系统必须有一个 缓冲层。

常见做法是：

RingBuffer
BlockingQueue
Channel

结构如下：

相机采集线程
       │
       ▼
   图像队列
       │
       ▼
AI推理线程

这样做有三个好处：

1️⃣ 防止采图阻塞
2️⃣ 支持多线程推理
3️⃣ 系统更稳定

很多系统 越跑越慢，就是因为没有这个设计。

四、AI 推理层：YOLO 负责“粗检”

AI 推理层一般负责：

目标检测
缺陷定位
区域识别

例如 YOLO 输出：

Bounding Box
Class
Confidence

在工业视觉中，YOLO 更适合做：

缺陷位置定位
ROI区域提取
目标分类

而不是直接做精密检测。

典型代码结构：

InferenceEngine
   ├─ ModelLoader
   ├─ Predictor
   └─ ResultParser

推理流程：

Image
 ↓
Preprocess
 ↓
ONNX Runtime
 ↓
Postprocess

五、算法层：Halcon 才是精密检测核心

在很多工业视觉项目中，真正做检测的是：

传统视觉算法。

例如：

Halcon
OpenCV

典型任务：

边缘检测
尺寸测量
位置校正
缺陷分析

一个常见架构是：

YOLO
 ↓
ROI区域
 ↓
Halcon 精确测量

这样可以同时利用：

AI 的泛化能力
传统算法的精度

这其实是很多成熟工业系统的标准方案。

六、系统层：决定系统能不能长期运行

系统层通常包括：

UI界面
PLC通讯
日志系统
数据保存
配置管理

例如：

UI系统

负责：

实时显示
结果可视化
参数调整

PLC通讯

负责：

OK / NG 输出
触发控制
设备联动

日志系统

工业系统必须有：

运行日志
异常日志
检测记录

否则现场出了问题几乎无法排查。

数据存储

很多系统还会保存：

NG 图片
检测结果
统计数据

用于质量追溯。

七、一个完整工业视觉项目的代码结构

一个典型 C# 项目结构可能是：

VisionSystem

├─ Device
│   ├─ CameraService
│   └─ PlcService
│
├─ Core
│   ├─ TaskQueue
│   └─ ImageBuffer
│
├─ AI
│   ├─ YoloPredictor
│   └─ OnnxInference
│
├─ Algorithms
│   ├─ ROIExtractor
│   └─ HalconInspector
│
├─ System
│   ├─ Logger
│   ├─ ConfigManager
│   └─ ResultStorage
│
└─ UI
    └─ MainWindow

这种结构有几个优点：

模块清晰
职责单一
方便维护

八、工业视觉 AI 项目最大的误区

很多人会把重点放在：

训练更好的模型
优化YOLO
增加数据

但真实情况是：

很多项目的问题根本不在模型。

而在：

系统架构
线程设计
数据流
异常处理

换句话说：

工业视觉 AI 项目，本质不是 AI 项目。

而是一个工业软件系统。

结语

如果你刚开始做工业视觉 AI，最重要的一件事不是：

学更多模型

而是理解：

一个完整系统是怎么设计的

因为只有架构正确：

AI 才能真正落地。

如果这个系列继续写下去，我下一篇准备讲一个很多人都会踩的坑：

《工业视觉 AI 系统为什么一定要做配置化设计？》

很多系统一旦上线就发现：

参数改不了
模型换不了
算法改不了

最后只能重新开发。

如果你做过工业视觉项目，应该会深有体会。

我正在整理一套《工业视觉AI实战工具包》，包括源码、案例、学习路线。
如果你想第一时间获取资料包，请关注公众号–视觉小码农