上个月接了个汽配厂的活，他们的发动机密封垫产线之前全靠人工目检，一天下来工人眼睛花，漏检率还高。老板要求搞个“眼睛+大脑+手脚”的系统：用相机当眼睛，YOLO当大脑，PLC当手脚，检测到缺陷直接分拣。花了三周时间调通，今天把这套C#上位机+YOLO+PLC的联动方案拆解开，从架构到代码，全是能直接落地的干货。
一、系统整体架构：稳定压倒一切
先给大家看这套系统的核心架构，没有花里胡哨的设计，全是工业现场验证过的可靠组合：
为什么这么选？给大家算笔账：
- C#上位机：厂里老系统都是WinForms，技术栈统一，维护成本低；
- YOLOv8n：速度快（640x640分辨率推理<50ms），精度够，导出ONNX后能直接在C#里跑，不用装Python环境；
- Modbus TCP：不用额外装OPC UA服务器，PLC侧编程简单，连车间电工都能看懂；
- 西门子S7-1200：稳定，抗干扰，汽配厂车间里的电磁干扰根本不是事。
二、核心模块实现：每一行代码都为7x24小时运行设计
1. YOLO视觉检测：从模型到C#调用的全流程
第一步：模型准备
我用LabelImg标注了5000张密封垫缺陷图（划痕、变形、气泡各占1/3），训练YOLOv8n，重点是导出ONNX格式时要加上--opset 12参数，否则C#里的ONNX Runtime会报错。
第二步：C#调用ONNX Runtime
这里有两个坑必须提醒大家：一是图像预处理必须和训练时完全一致（Resize到640x640、RGB通道、归一化到0-1）；二是一定要用using语句释放资源，否则产线跑一晚上内存就爆了。
usingMicrosoft.ML.OnnxRuntime;usingMicrosoft.ML.OnnxRuntime.Tensors;usingOpenCvSharp;publicclassYoloDetector{privatereadonlyInferenceSession_session;privatereadonlystring[]_classNames={"划痕","变形","气泡"};publicYoloDetector(stringmodelPath){varsessionOptions=newSessionOptions();sessionOptions.AppendExecutionProvider_CPU(0);// 用CPU推理，工控机没显卡也能跑_session=newInferenceSession(modelPath,sessionOptions);}publicList<DetectionResult>Detect(Matimage){// 1. 图像预处理：Resize、转RGB、归一化varresized=image.Resize(newSize(640,640));varrgb=newMat();Cv2.CvtColor(resized,rgb,ColorConversionCodes.BGR2RGB);varinputTensor=ConvertMatToTensor(rgb);// 2. 推理varinputs=newList<NamedOnnxValue>{NamedOnnxValue.CreateFromTensor("images",inputTensor)};usingvarresults=_session.Run(inputs);// 3. 后处理：NMS去重、解析检测框returnPostProcess(results,0.5f,0.4f);// 置信度0.5，NMS阈值0.4}privateDenseTensor<float>ConvertMatToTensor(Matmat){vartensor=newDenseTensor<float>(new[]{1,3,640,640});vardata=mat.GetData<byte>();for(inti=0;i<640;i++){for(intj=0;j<640;j++){tensor[0,0,i,j]=data[(i*640+j)*3+0]/255f;// Rtensor[0,1,i,j]=data[(i*640+j)*3+1]/255f;// Gtensor[0,2,i,j]=data[(i*640+j)*3+2]/255f;// B}}returntensor;}// PostProcess方法省略，核心是NMS和坐标转换}2. C#与PLC通信：加心跳、重连，一个都不能少
通信我选了工业界用烂的HslCommunication库，稳定、文档全。但工业现场最容易出问题的就是通信，所以我加了两个关键机制：心跳包和自动重连。
usingHslCommunication.ModBus;usingSystem.Threading;publicclassPlcController{privatereadonlyModbusTcpNet_plc;privateThread_heartBeatThread;privatevolatilebool_isRunning;publicPlcController(stringip,intport=502){_plc=newModbusTcpNet(ip,port);_plc.ConnectTimeOut=2000;// 连接超时2秒}publicboolConnect(){varresult=_plc.ConnectServer();if(!result.IsSuccess){Console.WriteLine($"PLC连接失败：{result.Message}");returnfalse;}// 启动心跳线程_isRunning=true;_heartBeatThread=newThread(HeartBeatLoop){IsBackground=true};_heartBeatThread.Start();returntrue;}privatevoidHeartBeatLoop(){while(_isRunning){Thread.Sleep(5000);// 每5秒心跳一次varresult=_plc.ReadInt16("M100");// 读一个无关的寄存器做心跳if(!result.IsSuccess){Console.WriteLine("PLC心跳失败，尝试重连...");_plc.ConnectServer();}}}publicboolSendDefectSignal(boolhasDefect){// 写入M100：1=有缺陷，0=正常，重试3次for(inti=0;i<3;i++){varresult=_plc.Write("M100",(short)(hasDefect?1:0));if(result.IsSuccess)returntrue;Thread.Sleep(100);}Console.WriteLine("写入PLC失败，已重试3次");returnfalse;}publicvoidDisconnect(){_isRunning=false;_heartBeatThread?.Join();_plc.ConnectClose();}}3. PLC控制逻辑：简单到电工都能维护
PLC侧我用西门子TIA Portal写的，逻辑非常简单：当M100为1时，Q0.0输出触发分拣气缸，延迟2秒后复位。给大家看时序图，一目了然：
三、实战效果：三个月收回成本，老板笑开了花
这套系统上线后，我每周都去汽配厂跟进数据，给大家看真实的效果：
- 人工成本：从6个目检工减到1个（只负责补料和设备巡检），每月省3万；
- 漏检率：从5%降到0.1%，客户投诉几乎为零；
- 产线节拍：从每分钟30件提到40件，产能提升33%。
唯一的小插曲是车间里的电磁干扰，一开始相机偶尔丢帧，后来给相机的GigE线加了两个磁环，问题就解决了。
四、常见问题与优化建议
1. 推理速度不够快怎么办？
如果产线节拍要求更高（比如每分钟60件），可以试试这两个方法：
- 模型量化：用ONNX Runtime把FP32模型转成INT8，速度能提30%，精度损失不到1%；
- OpenVINO加速：如果工控机是Intel的CPU，用OpenVINO执行Provider，推理速度能再提20%。
2. 通信丢包怎么解决？
除了我代码里的心跳和重连，还可以加两个机制：
- 请求确认：PLC收到信号后，写一个寄存器给上位机确认，没收到确认就重发；
- 报警机制：连续5次通信失败，上位机弹出报警窗口，同时触发PLC的声光报警。
3. 相机触发时机怎么选？
尽量用硬件触发（比如PLC输出一个24V信号给相机），不要用软件定时触发。硬件触发能保证每次拍照都在产品的同一位置，检测精度更高。
最后说两句
工业现场的多设备联动，从来不是拼技术有多高深，而是拼稳定、可靠、易维护。C#上位机+YOLO+PLC这套组合，既能利用YOLO的强大视觉能力，又能发挥PLC的控制稳定性，而且对传统工控人非常友好——不用学Python，不用搞复杂的框架，就能把视觉检测落地到产线。
如果大家在实际项目中遇到类似问题，欢迎一起探讨。
