机器视觉测量项目中的GRR

机器视觉测量项目中的GRR

正规的GRR表，太复杂了，太耗费时间和人工
所以一般就三张表，
1.是与真值的对比表-CRR(确定视觉系统测量准确性没有问题)
2.重复性表-GRR（确定视觉系统测量稳定性没有问题）
3.动态和静态的GRR表（进而主要确定视觉系统在产线生产过程中测量和稳定性没有问题）

一 交付文件夹

二 CRR

三 GRR(静态)

• 静态GRR：产品放着不动，进行测量（一般一个产品各项指标测量32次）。
• 可以测量32个产品。
• 总数量为：32（产品）x32(反复测32次)x测量项数量
  

四 动态GRR

• 动态GRR：设备机台正常生产过程中，进行测量（一般一个产品各项指标测量32次）。
• 可以测量32个产品。
• 总数量为：32（产品）x32(反复测32次)x测量项数量

五 和客户的需求交流

1.作为一个资深视觉工程师、TPM技术经理等，必须掌握的技能

2.不是一层不变的，需要主动和客户沟通确定

3.甚至可以主动去修改、添加完善，去满足客户的潜在需求

4.把握GRR表的本质（确保自己的视觉系统的准确性和稳定性），交付的最核心条件之一

GRR的核心定义与工业价值

GRR（Gauge Repeatability and Reproducibility）即测量系统的重复性与再现性分析，是工业质量管理的核心工具。在非标自动化领域，其价值体现在：

GRR分析的完整技术流程

1. 实验设计阶段

• 样本选择：需覆盖产品公差范围。某半导体企业选取5个晶圆样本，其厚度公差为±2μm，样本实际厚度分别为100/102/104/106/108μm。
• 人员配置：通常2-3名操作者，需包含新手与资深工程师。某光伏企业实验中，新手操作员的再现性误差比资深工程师高40%。
• 测量频次：推荐每个样本测量10-30次。某航空零部件厂商采用动态重复性测试，在机台运动状态下连续测量32次，发现振动导致的误差占比达18%。

3. 数据分析方法

均值极差法（快速评估）

• 计算每个样本的测量极差（R）
• 计算操作者间均值差（X_DIFF）
• 重复性变异（EV）= 5.15×R̄/d2*（d2为控制图常数，n=10时d2=3.078）
• 再现性变异（AV）= 5.15×√[(X_DIFF²-(EV²/nr))/n]（nr为每个操作者的测量次数）

方差分析法（精确计算）

使用Minitab软件进行ANOVA分析，输出结果包含：

• 重复性贡献率（%Contribution of Repeatability）
• 再现性贡献率（%Contribution of Reproducibility）
• 零件间变异（%Contribution of Part-to-Part）

案例：某汽车齿轮厂商的GRR分析显示：

• 重复性变异（EV）= 0.012mm（占比45%）
• 再现性变异（AV）= 0.009mm（占比34%）
• 零件间变异（PV）= 0.015mm（占比21%）
  总GRR%=√(EV²+AV²)/TV×100%=18.7%

GRR改进的工程实践

1. 设备层面优化

• 相机选型：某FPC连接器厂商改用500万像素工业相机，将测量分辨率从0.02mm提升至0.005mm。
• 光源方案：采用DOE实验设计优化照明角度，某字符识别项目将识别准确率从92%提升至98.5%。
• 机械结构：某精密冲压线通过增加气浮导轨，将机台振动幅度从50μm降至5μm。

2. 算法层面优化

• 亚像素算法：某半导体封装企业应用二次曲面拟合算法，将边缘检测精度从1/10像素提升至1/40像素。
• 温度补偿：建立温度-变形数学模型，某注塑件测量系统在25-35℃环境下保持GRR≤15%。
• 动态滤波：采用卡尔曼滤波算法，某高速运动物体的测量重复性提升3倍。

3. 流程层面优化

• 防错设计：某发动机缸体检测线增加零件到位传感器，消除人为放置误差。
• 数据追溯：建立测量数据区块链存证系统，某航空零部件厂商实现测量过程100%可追溯。
• 智能校准：开发基于深度学习的自动校准系统，某显示屏检测设备校准时间从2小时缩短至15分钟。

GRR分析的实战教程

1. 数据准备

创建数据表结构：

2. Minitab操作步骤

3. 改进措施制定

根据方差分析结果：

• 若重复性（EV）占比高：
  • 检查相机固定方式
  • 优化光源均匀性
  • 升级运动控制卡
• 若再现性（AV）占比高：
  • 标准化操作流程
  • 增加操作员培训
  • 开发操作引导系统

通过系统化的GRR管理，非标自动化企业可实现测量系统变异降低50%以上，产品不良率下降3-8个百分点，为智能制造奠定坚实的质量基础。