方案常见问题

3D ROI 设置错误，纸箱不在 3D ROI 内，导致Mech-Vision工程无输出或漏识别。

点云预处理并获取最高层掩膜步骤组合参数处输入的纸箱尺寸与识别到的纸箱尺寸差异大，无法进行尺寸校验，导致漏识别。

深度学习未正确分割单个纸箱掩膜，在后续处理过程中无法进行尺寸校验，导致漏识别。

根据工作站布局和垛型尺寸重新设置 3D ROI，使纸箱不超出 ROI。

测量纸箱尺寸，并与输入的尺寸进行对比。若尺寸差异过大，可在点云预处理并获取最高层掩膜步骤组合的读取物体尺寸参数处重新设置纸箱尺寸。若尺寸差异较小，可适当调大计算纸箱位姿步骤组合的箱子尺寸误差范围参数。

双击进入使用深度学习分割单个纸箱掩膜步骤组合，查看深度学习模型包推理步骤的可视化输出结果，确保可视化输出结果正常（如下图所示）。若可视化输出结果异常，可参考 问题三 。

现场环境光线过强。

相机 3D 曝光参数设置不合理。

当环境中的光线过强时，推荐使用较长的曝光时间，提高图像质量。当环境光线过强且增加曝光时间无效时，可以考虑对工位进行遮光处理，使工位的环境光线强度保持恒定。

白色纸箱容易导致采集到的图像过亮，推荐使用较短的曝光时间；黑色纸箱容易导致采集到的图像过暗，推荐使用较长的曝光时间。

当纸箱颜色多样时，推荐使用较短曝光时间与较长曝光时间相结合的方式来采集图像。

采集 2D 图时，相机曝光时间、白平衡设置不合理。如下图所示，左图为相机曝光时间正常时采集到的图像，右图为相机曝光时间异常时采集到的图像。

未设置深度学习识别区与（2D ROI）。

使用深度学习获得的单个箱子掩膜异常，需迭代深度学习模型。

首先需确认 2D 图是否存在过曝、过暗、有阴影、白平衡异常等问题，如果存在以上问题，需调节相机曝光时间和白平衡，确保采集到的 2D 图正常。确保 2D 图正常后，若依然识别效果较差，可参考下一条。

重新设置 2D ROI。

采集纸箱图像数据，对深度学习模型进行迭代。

将Mech-Vision工程中的纸箱位姿 Z 轴调整为统一朝向。

设置软限位。

在视觉移动步骤的移除目标工件点云参数分组中，确保勾选了移除目标工件点云功能。

检查视觉移动步骤的移除目标工件点云参数分组中，XY 平面点云移除范围扩展和 Z 向点云移除范围扩展参数值是否过小，如果参数值过小，可适当增大参数值。