一条传送带上十几种物料混着跑，怎么精准分类计数？一个 RK3588 盒子搞定

一条传送带上十几种物料混着跑怎么精准分类计数一个 RK3588 盒子搞定一、传送带计数是个看起来简单但做起来全是坑的事做工业 AI 视觉这些年我们接过最多的需求之一就是传送带计数。客户说起来都很轻松不就是数个数吗但真到了现场全是坑。坑 1人工点数数到后面全靠猜某食品包装厂一条传送带每分钟过 120 个包装袋工人三班倒盯着数。一个班 8 小时数到第 6 个小时眼睛就花了一炉料数错几百个是常事。月底对账仓库说发了 10000 件客户说收到 9700 件差 300 件谁也说不清哪锅出的问题。人力成本不说准确率全看工人当天状态。坑 2光电传感器重叠就瞎、异形就废光电传感器便宜几百块一个但只能数有没有东西遮光。两个包装袋叠在一起过遮光一次传感器跳一下——少计了。异形物料侧着过、躺着过遮光面积忽大忽小传感器时灵时不灵。换一种物料就要重新调阈值调半天还是不准。某电子元件厂的连接器金属针脚朝上和朝下的遮光面积差 30%光电传感器调了一周最终准确率只有 85%客户直接弃用。坑 3传统工业视觉准是准但贵且慢现成的工业视觉方案一套硬件加软件大几万甚至十几万还要专人部署调试。最头疼的是换品类——客户新增一个物料品类就要收集几百张标注图片、重新训练模型、重新部署周期动辄几周。小工厂根本用不起也等不起。我们在多个工厂现场踩过这些坑之后基于 RK3588 边缘算力盒子做了一套AI 视觉柔性分类计数系统——一条传送带多种物料混着跑能同时分类计数重叠粘连不丢数换新品类拍几张图就能用。二、系统架构一个盒子本地搞定┌──────────────────────────────────────────────┐ │ RK3588 边缘计算盒子 │ │ │ │ 视频接入 → AI 检测 → 目标跟踪 → 越线计数 │ │ (最多4路) (NPU推理) (防重防漏) (分类) │ │ │ │ 本地存储 → 客户端接口 │ │ (计数账本) (预览配置导出) │ └──────────────────────────────────────────────┘ ▲ │ │ RTSP/USB │ 网线/局域网 │ ▼ 工业相机(俯视) 客户端软件(Win/Linux)整套系统运行在一块 RK3588 边缘计算盒子上AI 推理用 NPU 硬件加速跟踪和计数逻辑用 CPU所有计算都在本地完成不需要连云端不需要传视频流到服务器。一个盒子最多支持 4 路相机同时计数每路相机独立配置检测区域和计数线。三、四个核心问题四个解决思路1. 重叠粘连怎么办——先跟踪后计数不是见框就数传统计数方案的逻辑很简单检测到一个物体过线就 1。但物料一重叠两个物体贴在一起检测系统可能只识别成一个——少计了。一个物体被前面的物料短暂遮挡检测框消失又出现可能被当成新物体——重计了。我们的做法是先跟踪、后计数。系统为传送带上每一个物理物体分配一个唯一的身份标识从它进入画面开始持续追踪它的运动轨迹。哪怕物体被短暂遮挡、检测不到跟踪算法也能根据它之前的运动方向和速度预测它接下来的位置等它重新出现时接上同一个身份不会当成新物体。只有当一个物体的运动轨迹正向穿越虚拟计数线时才 1并且立即锁定这个物体的身份防止重复计数。锁定后的物体不再参与计数直到离开画面。这样做的效果是两个物体叠在一起过线系统能区分是两个独立物体还是一个物体被遮挡后重新出现还是同一个身份不会数两次。2. 一条传送带多种物料混着跑怎么分类——全程跟踪越线定类多品类计数的难点在于同一个物体在不同画面帧里AI 检测给出的类别可能不一致——这一帧识别成A 品类下一帧因为角度、光线变化识别成B 品类。如果每帧都按当前类别计数就会乱。我们的做法是全程跟踪、越线定类。每个物体从出现到越线每一帧的检测类别都记录下来。等它真正穿越计数线的那一刻取出现次数最多的类别作为最终分类1。物体出现 → 帧1: A → 帧2: A → 帧3: B → 帧4: A → 越线 │ ▼ 统计: A出现3次, B出现1次 │ ▼ 最终分类: A, 1这样即使中间有几帧识别错了只要大部分帧是对的最终分类就是准的。而且越线后立即锁定不会因为后续帧的类别波动而改变计数结果。3. 换新品类要重新标注训练——拍几张参考图现场几分钟注册这是这套系统最柔性的地方。传统 AI 视觉方案换一个新品类就要收集几百张标注图片、重新训练模型、重新部署周期动辄几周。我们用的是少样本视觉检测技术客户在客户端软件里对着传送带上的新物料定格一帧圈选目标区域起个品类名字点添加——系统会自动截取参考图在本地生成新的检测模型热加载到运行中的系统里。整个过程几分钟不需要写代码、不需要标注数据、不需要重启设备。这意味着今天客户说要加一个新品类的计数现场工程师掏出笔记本电脑拍几张图几分钟就搞定了不用把设备寄回厂家也不用等算法工程师排期。4. 部署成本高吗——一个 RK3588 盒子不用连云端项目规格硬件平台RK3588 边缘计算盒子最大相机路数4 路每路独立配置视频输入RTSP 网络相机 / USB 相机推理方式本地 NPU 硬件加速无需云端客户端Windows / Linux网线直连或局域网访问数据存储本地计数账本支持按时间/品类导出网络依赖本地推理断网不影响计数部署方式也很简单相机架在传送带上方俯视拍摄盒子接相机网线和电源客户端连盒子 IP配置一下检测区域和计数线就能跑了。不需要改造产线不需要停机很久。四、方案对比四种计数方式全面对比维度人工点数光电传感器传统工业视觉越微柔性计数系统准确率80-90%疲劳后下降70-90%重叠异形失效95-99%99%正常工况重叠/粘连靠人眼区分易漏完全失效取决于方案目标跟踪不丢数异形物料靠人眼准确率看人遮光面积变化大失效需重新训练少样本技术拍图即注册多品类同时计数可以但人容易混不能只能数总数可以但需多模型可以同一条带多品类分类换新品类时间即时人学会就行即时调阈值但不准几周标注训练部署几分钟拍图本地生成硬件成本人力成本三班倒几百元大几万到十几万几千元盒子相机部署周期即时几小时几周几小时到一天数据可追溯靠手工记录无有有按品类/时间查询导出五、踩坑实录那些让我们加班到凌晨的计数问题做这套系统的过程中我们踩过不少坑分享几个典型的坑 1检测时有时无同一个物体被数了好几次早期版本在某些光照条件下AI 检测不太稳定有时候一帧能检测到物体下一帧又检测不到了。跟踪系统频繁丢失目标又重新识别同一个物体被分配了好几个身份数了好几次。解决思路优化跟踪算法的续航能力——物体短暂检测不到时根据之前的运动轨迹预测它的位置维持身份不丢失同时降低新身份的创建门槛只有连续多帧稳定检测到新物体时才创建新身份避免误检导致的重复计数。坑 2物体刚好在检测不稳定的帧越过计数线漏计了检测不稳定的问题缓解之后又出现了新问题物体越过计数线的那一帧如果恰好检测不稳定系统可能没捕捉到越线动作等下一帧检测恢复时物体已经过线了就漏计了。解决思路不依赖单帧判断越线而是看物体轨迹的连续变化趋势——如果一个物体的位置持续向计数线移动并且多帧累积的位移超过了阈值即使某一帧没有严格的从线这边到线那边的瞬间也会在累积位移达标时触发计数。坑 3换新品类后旧的计数身份和新模型的分类对不上早期版本在加载新检测模型时没有清空正在跟踪的物体身份。新模型的品类编号和旧模型不一样旧身份里记录的还是旧模型的分类新检测结果用新模型的分类导致越线时取到错误的品类。解决思路每次加载新模型后强制清空所有正在跟踪的物体身份下一帧重新开始追踪。虽然会导致正在跟踪的几个物体短暂丢失可能漏计几个但保证了品类映射的正确性。新品类加载是低频操作偶尔漏计几个可以接受品类错误是不可接受的。六、谁适合用这套方案工厂生产线包装、食品、医药、电子元器件等传送带计数物流分拣多品类包裹、快件分类计数仓储出入库托盘、料箱、货品清点任何还在用人工点数或光电传感器、被重叠异形物料困扰的场景七、写在最后传送带计数这件事看起来就是数个数但真正到了工厂现场重叠的、粘连的、异形的、反光的、换品类频繁的——每一个都是坑。人工数不准光电传感器测不了传统工业视觉又太贵太慢。我们的思路是用 AI 视觉解决看不清的问题用目标跟踪解决数不准的问题用少样本技术解决换品类慢的问题用 RK3588 边缘计算盒子解决部署贵的问题。四个问题一起解决才是一套能真正在工厂现场跑起来的方案。如果你的生产线也有类似的计数难题——不管是重叠粘连、异形物料、还是频繁换品类——欢迎私信沟通可以发现场视频或测试样本过来我们帮你评估方案可行性和预期准确率。关于越微智能Yuewell上海越微信息技术有限公司是一支专注具身智能与工业 AI 视觉落地的技术团队以自研 VLA 具身智能、视觉与语言大模型及 RK3588 边缘算力为底座为工业制造、能源电力、智慧城服等场景提供从算法、硬件到机器人集成的全栈交付。传送带柔性分类计数系统是我们工业 AI 视觉产品线的核心方案之一。