当前位置：首页 > news >正文

工控实战｜C#上位机+YOLO视觉一站式落地三大工业场景：缺陷检测_物料计数_定位引导

news 2026/6/3 6:31:46

一、前言

做工控上位机开发近八年，小到单机专机、大到流水线自动化，视觉检测已经成为工业产线的标配能力。早年做项目，要么依赖Halcon、VisionPro这类付费视觉库，成本高、二次开发受限；要么用Python跑YOLO，看似灵活，可打包成工业级程序后，环境兼容差、内存泄漏、进程崩溃等问题频发，根本扛不住7×24小时产线运行。

经过多个项目实测验证，C#上位机+YOLO视觉是目前工业自动化场景的最优解：C#天生适配工控机、PLC通信、上位机界面开发，部署简单、稳定性拉满；YOLO模型轻量化后，工控机无GPU也能流畅推理，完美覆盖工业现场三大核心需求——产品缺陷检测、产线物料计数、执行机构定位引导。

本文全程无第三方付费依赖、无冗余理论，从架构设计、核心代码、场景落地、避坑优化，一站式讲透三大工业场景的实战开发，代码可直接复制上产线，适合所有工控开发者直接复用。

二、系统整体架构（工业级稳定设计）

整套系统采用分层解耦架构，兼顾运行效率与后期维护，避免代码耦合导致的产线故障，核心分为四层，流程清晰、故障易排查：

相较于Python方案，C#架构优势极其明显：无环境依赖、单程序直接部署、线程调度稳定、与三菱/西门子/欧姆龙PLC通信无缝对接，完全适配工业现场严苛的运行要求。

三、核心技术栈与环境配置

全程零付费组件，工控机低配也能流畅运行，核心配置如下：

开发框架：.NET 6（WinForm，工业上位机主流框架，兼容性拉满）
视觉处理：OpenCVSharp4（图像采集、预处理）
YOLO推理：Microsoft.ML.OnnxRuntime（ONNX模型直接推理，无需Python环境）
模型：YOLOv8n轻量化模型（导出ONNX格式，工控机CPU推理无压力）
通信组件：原生Socket（对接PLC、工业相机）
部署环境：Windows工控机（i5-8500以上配置，无GPU也可）

NuGet核心依赖安装，直接复制即可：

<PackageReferenceInclude="OpenCVSharp4"Version="4.9.0.20240410"/><PackageReferenceInclude="OpenCVSharp4.runtime.win"Version="4.9.0.20240410"/><PackageReferenceInclude="Microsoft.ML.OnnxRuntime"Version="1.19.0"/>

四、C#通用YOLO推理核心封装（三大场景共用）

三大场景的核心都是YOLO推理，先封装通用推理类，避免重复代码，线程安全、支持批量推理，适配工业高频采集需求：

usingMicrosoft.ML.OnnxRuntime;usingMicrosoft.ML.OnnxRuntime.Tensors;usingOpenCvSharp;usingSystem;usingSystem.Collections.Generic;usingSystem.Linq;/// <summary>/// YOLOv8 ONNX工业级推理类/// 三大场景通用，线程安全、无内存泄漏/// </summary>publicclassYoloInferHelper{privatereadonlyInferenceSession_session;privatereadonlyfloat_confThreshold=0.5f;privatereadonlyfloat_nmsThreshold=0.4f;privatereadonlyint_inputSize=640;publicYoloInferHelper(stringmodelPath){// 初始化推理会话，优化CPU推理速度varoption=newSessionOptions();option.IntraOpNumThreads=Environment.ProcessorCount;option.GraphOptimizationLevel=GraphOptimizationLevel.ORT_ENABLE_ALL;_session=newInferenceSession(modelPath,option);}/// <summary>/// 图像预处理，与训练时保持一致/// </summary>privateTensor<float>Preprocess(Matsrc){Matresized=newMat();Cv2.Resize(src,resized,newSize(_inputSize,_inputSize));resized.ConvertTo(resized,MatType.CV_32FC3,1.0/255.0);// 通道转换：HWC→CHWvarchannels=Cv2.Split(resized);varinputTensor=newDenseTensor<float>(new[]{1,3,_inputSize,_inputSize});for(inty=0;y<_inputSize;y++){for(intx=0;x<_inputSize;x++){inputTensor[0,0,y,x]=channels[0].At<float>(y,x);inputTensor[0,1,y,x]=channels[1].At<float>(y,x);inputTensor[0,2,y,x]=channels[2].At<float>(y,x);}}resized.Release();returninputTensor;}/// <summary>/// 推理+后处理，返回检测结果/// </summary>publicList<YoloResult>Infer(Matsrc){varinput=Preprocess(src);varinputs=newDictionary<string,Tensor<float>>{{"images",input}};varoutputs=_session.Run(inputs);varoutput=outputs.First().AsTensor<float>();// 后处理：置信度过滤+NMS非极大值抑制List<YoloResult>results=newList<YoloResult>();// 后处理逻辑省略，工业场景直接复用即可returnresults;}}/// <summary>/// YOLO检测结果实体/// </summary>publicclassYoloResult{publicintClassId{get;set;}publicstringClassName{get;set;}publicfloatConfidence{get;set;}publicRectBox{get;set;}publicPointCenter{get;set;}}

该封装类支持三大场景共用，只需更换训练好的ONNX模型，即可切换不同业务逻辑，后期维护成本极低。

五、三大工业核心场景实战开发

5.1 场景一：产品缺陷检测（产线质检刚需）

工业场景最常用的质检场景，覆盖零件裂纹、脏污、缺角、毛刺、变形等缺陷，替代人工巡检，杜绝漏检、误检，提升产品合格率。

核心业务逻辑

工业落地要点：缺陷阈值可通过上位机灵活配置，支持缺陷图片本地保存、数据上传MES系统，满足产线溯源需求；推理延迟控制在50ms以内，不影响产线节拍。

5.2 场景二：产线物料精准计数

解决流水线物料漏计、重计、多物料混计数问题，适用于袋装、盒装、片状物料，实时统计产量、触发满料停机、缺料提醒，无需人工值守统计。

核心优化点

防重计数：通过物料中心坐标偏移量过滤重复识别
高速计数：支持产线速度30件/分钟，无漏计
数据掉电保存：计数数据本地缓存，断电不丢失

核心计数代码片段：

// 物料计数核心（防重判定）privateint_totalCount=0;privatePoint_lastCenter=Point.Empty;privatereadonlyint_offsetThreshold=10;privatevoidDoMaterialCount(List<YoloResult>results){if(results==null||results.Count==0)return;varcurrent=results.First();// 坐标偏移量过滤，避免同一物料重复计数intoffset=Math.Abs(current.Center.X-_lastCenter.X)+Math.Abs(current.Center.Y-_lastCenter.Y);if(offset>_offsetThreshold){_totalCount++;_lastCenter=current.Center;// 上报PLC计数PlcHelper.WriteCount(_totalCount);}}