机器视觉进入制造现场以后，首先解决的是人眼能够看到、但依靠人工难以长时间稳定判断的问题。产品有没有装错，尺寸是不是超差，标签位置是否正确，表面有没有明显划伤，都可以通过工业相机获取图像，再由软件按照设定规则进行判定。不过，当产品外观看起来几乎完全一样，问题来自材料组成、含水状态、表面成分或者人眼无法分辨的细微颜色差异时，普通RGB相机的能力就会受到限制。松下近期发布的AI检测软件NT系列AG-HSS10，正是针对这一类检测需求开发。该软件与AG-HSV10M高光谱相机配套使用，计划于2026年10月上旬上市，重点不是把普通视觉检测做得更快，而是增加一类过去很难直接放到自动化生产线上的检测信息。

普通工业相机记录的是红、绿、蓝几个主要颜色通道，最终形成的图像与人眼观察物体的方式比较接近。高光谱相机则不同，它会把检测对象反射或者吸收的光进一步按照波长拆分，获得每一个位置对应的光谱信息。同样是肉眼看起来接近白色的两种材料，在不同波长下的反射特性可能存在明显差异；一块食品表面外观没有变化，内部含水量或者成分状态改变后，也可能在特定波段表现出不同特征。正因为如此，高光谱检测并不是简单增加相机分辨率，而是让工业检测从“看外形和颜色”进一步进入“判断材料和状态”的范围。

这类检测技术过去并非不存在，真正限制工业应用的一个问题，是获得高光谱数据以后怎样使用。普通视觉系统看到一处黑点，可以很直观地设定大小、面积和位置阈值；高光谱数据包含大量波段信息，哪些波长真正与缺陷有关、不同材料之间怎样建立判别规则，对现场工程人员并不容易。松下此次推出的软件把光谱数据获取、样本标注和判别流程放到同一系统中，用户可以在图像上直接指定正常区域和异常区域，再建立相应检测模型。按照厂商公布的信息，系统还采用把单张图像进一步切分形成多个训练样本的方法，目的是降低建立初始检测模型所需要的数据量。

对于真正的工业生产而言，样本量是一个非常现实的问题。生产企业当然容易获得大量合格品，但真正稳定发生、又能够专门留下来用于建立检测规则的不良品通常没有那么多。如果一套自动检测系统必须先收集几千甚至几万件典型缺陷产品才能使用，很多现场根本无法满足条件。尤其是新品刚刚投入生产时，一些缺陷还没有积累到足够数量，质量部门不可能为了训练检测系统故意制造大量废品。因此，检测软件能否在有限样本条件下完成初步设定，对其进入实际工厂比单纯强调算法能力更重要。

高光谱技术比较值得关注的应用之一，是普通视觉很难判断的异物和材料混入。生产线上如果混入一块颜色明显不同的异物，RGB相机已经能够轻松发现；但如果异物和正常材料颜色接近，仅凭外观就可能漏过。某些塑料、原材料、食品以及复合材料虽然肉眼颜色相似，其光谱响应却并不完全相同，高光谱相机就有机会利用这种差异进行区分。对制造企业来说，这提供了一种介于普通外观检测和实验室成分分析之间的方法，可以在不直接接触产品的情况下对更多产品进行在线筛查。

电子零部件同样存在类似需求。很多产品外观缺陷可以依靠普通机器视觉检测，但部分材料变化、涂层状态、污染或者表面特性并不一定会形成明显颜色差异。如果某一种异常能够稳定表现为特定波长下的反射变化，高光谱就可能增加新的判断依据。松下目前公开的应用方向已经包括电子部件和食品领域，但现阶段仍不能把这种技术理解成可以自动识别所有材料缺陷。某一种缺陷到底能不能检测出来，必须先确认它是否真的存在稳定、可重复的光谱差异，没有物理差异基础，再复杂的软件也无法凭空判断。

这一点对工业检测设备选型非常重要。近几年机器视觉技术更新很快，用户容易把“使用更复杂算法”理解成检测能力一定更强，但真正可靠的自动质检仍然需要从缺陷本身出发。如果问题主要表现为尺寸和形状变化，3D视觉或者传统工业相机可能更加直接；如果需要观察内部结构，X射线更合适；如果缺陷表现为温度异常，红外热成像能够提供更多信息；只有当材料或者状态变化能够在不同波长下形成可识别特征时，高光谱技术才真正具有优势。不同检测方式并不是替代关系，而是制造企业根据缺陷类型增加更多可选择的手段。

高光谱系统真正放到生产线上以后，对工业计算机和数据处理能力的要求也会明显高于普通开关量传感器。一只接近开关每次只输出有或者没有，一台普通工业相机已经会产生大量图像，而高光谱设备还需要在图像基础上增加多个波段的数据。松下公布的AG-HSS10检测执行软件需要在Windows 11环境下运行，并对GPU、内存和存储提出相应要求，系统同时提供数字I/O以及与工业控制设备进行通信的接口。也就是说，高光谱检测最终并不是独立存在的一台相机，而需要工业计算机完成数据处理，再把判定结果送到PLC或者生产设备。

这也是未来复杂检测系统与传统工控产品之间越来越明显的分工。工业计算机负责处理图像和光谱数据，检测软件给出合格或者异常结果，PLC仍然负责输送、定位、分拣和设备联锁。如果检测系统判断一件产品不合格，真正把产品推出生产线的可能仍然是一只由PLC控制的气缸或者伺服机构；如果相机没有准备完成，PLC还要阻止下一件产品进入检测区域。检测技术不断升级以后，底层自动控制并没有失去作用，反而需要与新的传感和计算设备建立更加稳定的通信关系。

接口和工业连接也会随着数据量增加而变得更加重要。一套在线检测系统通常同时存在相机、工业计算机、照明、PLC、编码器、触发传感器以及分拣执行机构。高光谱相机对拍摄条件更加敏感，生产设备振动、相机位置变化和照明条件变化都有可能影响长期检测一致性，因此机械固定、电源、通信线路和触发信号都需要保持稳定。检测系统刚安装时能够正常工作并不困难，真正考验设备的是连续运行几个月以后，镜头、光源、接口和线缆仍然能不能保持原有状态。

这类设备对质量数据的使用方式也会带来变化。过去人工检测通常只记录最终合格与不合格，操作人员发现异常以后再把产品挑出。自动检测则可以持续保存缺陷位置、类型和发生频率。如果某一种异常突然从每天几件增加到几十件，质量人员可以进一步向前查找原材料、温度、设备参数或者生产批次，而不是只在生产线末端不断剔除产品。高光谱检测真正有价值的地方，也不应只停留在“多发现几个不良品”，而是能否把过去肉眼无法描述的材料和状态差异转化成可以长期记录的数据。

不过，目前也不适合把高光谱技术描述成下一代工业视觉的全面替代方案。相机和计算系统成本、检测速度、产品光谱特征以及现场环境都会影响最终应用。大量生产线只需要判断产品有无、尺寸或者普通表面缺陷，成熟的光电传感器和RGB机器视觉已经足够稳定，而且成本更低。高光谱更适合那些传统视觉确实遇到检测边界，而产品材料差异又能够通过光谱体现出来的工序。是否值得采用，最终仍然要通过真实样品测试，而不是只根据产品介绍判断。

松下此次把AG-HSS10计划应用到食品加工、制造业和研究机构，并将在9月举行的NEPCON JAPAN秋季展中展示实际检测系统。对工控行业来说，这一产品值得关注的地方并不是“AI”这个名称，而是工业检测能够使用的数据种类又增加了一层。生产线上过去主要获取位置、压力、温度和普通图像，现在光谱、3D、红外和其他复杂数据正在逐渐进入质量判断。随着这些检测方法继续落地，工业计算机、PLC、工业通信、触发传感器和工业连接器也需要共同适应新的检测设备。自动化质检正在从简单判断一件产品“长得对不对”，进一步走向判断它的材料和状态是否真正处于应该有的范围。