上一篇
广州工业视觉智能API怎么用？工业视觉识别接口调用方法
接口与鉴权机制
广州工业视觉智能API旨在为制造业提供高精度、低延迟的视觉检测服务，涵盖缺陷检测、OCR识别、尺寸测量及物体分类等核心功能，所有API调用均基于HTTPS协议，采用RESTful架构设计，为确保数据安全与服务稳定性,所有请求必须携带有效的鉴权凭证。
鉴权流程说明：
- 获取Access Key ID与Secret Access Key：需在开发者控制台申请并绑定至具体项目。
- 生成签名：使用Secret Access Key对请求参数进行HMAC-SHA256签名。
- 请求头载入：将Access Key ID、签名值及时间戳放入HTTP Header中，分别为X-Access-Key、X-Signature和X-Timestamp。
- 有效期校验：时间戳与服务器时间偏差不得超过5分钟,否则请求将被拒绝。
核心功能模块详解
本API主要包含以下三大核心模块,开发者可根据具体工业场景选择调用。
表面缺陷检测模块
该模块利用深度学习算法，针对金属、塑料、纺织品等常见工业材料表面进行实时扫描，支持划痕、凹坑、污渍、异色等多种缺陷类型的识别。
| 参数名称 | 类型 | 必填 | 说明 |
|---|---|---|---|
| image_url | String | 是 | 图片的公网URL或Base64编码字符串 |
| model_id | String | 是 | 指定使用的检测模型ID（如：metal_scratch_v1） |
| confidence_threshold | Float | 否 | 置信度阈值，默认0.8，范围0.0-1.0 |
| region_of_interest | Object | 否 | 感兴趣区域坐标，格式为{"x":0,"y":0,"w":100,"h":100} |
返回示例：
{ "code": 200, "message": "success", "data": { "defects": [ { "type": "scratch", "confidence": 0.95, "bbox": {"x": 120, "y": 45, "w": 10, "h": 50} } ], "total_count": 1 } }
工业OCR字符识别模块
专为工业标签、二维码、序列号及模糊印刷文字设计，具备抗反光、抗扭曲及小字体高精度识别能力，支持中英文、数字及特殊符号混合识别。
关键特性：
- 自适应纠偏：自动校正倾斜角度，最大支持±30度旋转校正。
- 多格式输出：支持JSON结构化输出,可直接提取键值对。
- 批量处理：单次请求最多支持10张图像并行处理。
尺寸测量与定位模块
基于高精度视觉算法，对零部件进行二维/三维尺寸测量及中心点定位，适用于精密零件质检、装配引导等场景。
注意事项：
- 需预先标定相机参数（焦距、像素尺寸、拍摄距离）。
- 测量精度受光照均匀性及镜头畸变影响,建议在标准光源环境下使用。
- 返回结果包含测量值（单位：mm）及误差范围。
错误码规范
在调用过程中，若出现异常,系统将通过HTTP状态码及业务错误码返回具体原因。
| HTTP状态码 | 业务错误码 | 错误描述 | 解决方案 |
|---|---|---|---|
| 401 | AUTH_FAILED | 鉴权失败 | 检查Access Key、Secret Key及签名算法是否正确 |
| 403 | QUOTA_EXCEEDED | 超出配额限制 | 联系管理员增加API调用次数或升级套餐 |
| 400 | INVALID_PARAM | 参数格式错误 | 检查JSON格式及必填字段是否缺失 |
| 422 | MODEL_NOT_FOUND | 模型ID不存在 | 确认model_id是否在可用模型列表中 |
| 500 | INTERNAL_ERROR | 服务器内部错误 | 稍后重试，若持续出现请联系技术支持 |
性能优化建议
- 图片压缩：建议在上传前将图片压缩至2MB以内，分辨率控制在1920×1080以内,以平衡识别精度与传输速度。
- 异步调用：对于大批量图片处理，推荐使用异步接口，先提交任务获取Task ID,再通过轮询或回调方式获取结果。
- 缓存策略：对于静态背景或重复检测场景，可启用结果缓存机制,减少重复计算开销。
常见问题与解答
API返回的缺陷检测置信度较低，如何提升识别准确率？
解答：
置信度较低通常由图像质量或模型匹配度引起,建议采取以下措施：
- 优化图像采集：确保光源均匀、无阴影干扰，镜头清洁无污渍,避免运动模糊。
- 调整阈值：适当降低confidence_threshold参数,但需注意可能增加误报率。
- 模型微调：若标准模型效果不佳，可使用平台提供的“模型训练”功能，上传少量标注数据对模型进行微调（Fine-tuning）,以适应特定材质或光照条件。
- ROI设置：通过region_of_interest参数排除背景干扰,聚焦于关键检测区域。
工业OCR识别在标签反光或倾斜严重时效果不佳，有何解决方案？
解答：
针对反光和倾斜问题,可结合硬件与软件双重手段解决：
- 软件层面：
- 启用API中的“抗反光”预处理选项（若支持）。
- 使用“自适应纠偏”功能,自动校正图像角度。
- 尝试调整图像对比度或直方图均衡化预处理后再传入API。
- 硬件层面：
- 使用偏振镜消除表面反光。
- 调整光源角度,采用漫射光源而非直射光源。
- 确保标签平整张贴,避免褶皱或弯曲。
- 多帧融合：若为动态场景，可采集多帧图像进行融合处理,提高字符清晰度。
