为什么你家的视觉系统总是“瞎的”
上个月去了趟东莞，一家给手机壳做瑕疵检测的厂——他们花二十万上的视觉系统，良率居然还不如一个干了三年的质检大妈。真的……不骗你。回来跟我们团队聊这个，工程师老王直接拍桌子：“打光不行，神仙算法都白搭。”
这事儿吧，很多厂都被集成商忽悠了。买个相机、镜头、光源，再搭个深度学习软件，就以为自己迈进了工业4.0。结果呢？现场环境一变，光源角度稍微歪一点，或者产品换了批次反光率不一样，那条检测线直接变成摆设。对吧？
说实话，机器视觉这玩意儿，最硬核的部分反而不是算法。是成像。你得先让缺陷“显形”了，软件才能干活。但大部分集成商只会给你调个阈值，根本不懂光学设计。举个例子，金属表面划痕——用环形光源还是同轴光？波长选红光还是蓝光？这跟划痕深度、材质粗糙度全有关系。有一次我看他们拿红外光检透明塑料件的气泡，气泡是看见了，但里头的杂质全漏了……简直无语。
3D视觉，馅饼还是陷阱？
这两年，3D视觉特别火。特别在拆垛、上下料那种场景，结构光、激光三角、ToF……各种方案满天飞。但很多人忽略一个致命问题：运动机构和视觉的配合。你让机器人去抓散乱的工件，视觉告诉它“位置在这”，结果机器臂“咣”地撞过去——就是因为手眼标定没做好。标定这事儿，误差累积起来能让你怀疑人生。❗
再说反光件。去年帮一个压铸厂评估3D引导抓取，铸件表面油乎乎的，结构光打上去大团的反光，点云直接缺一大块。后来我们试了偏折法成像（其实不叫这个名字，但原理类似），配合偏振片，才算勉强能看。但速度又下来了——节拍要求4秒一个件，结果成像加处理耗掉2.8秒，留给机器人的时间根本不够。最后老板摆摆手，说还是雇多俩工人吧。💡
AI在视觉检测里到底行不行？
问：深度学习现在这么火，是不是能解决所有传统算法搞不定的缺陷？
答：能，但前提是你得喂够料。传统视觉靠规则，划个ROI，设定面积、圆度，就能筛出大部分异常。但遇到那种纹理复杂、缺陷定义模糊的——比如布匹瑕疵、木材结疤——深度学习真香。不过，问题是样本。一个项目，客户能给你两百张好图、二十张坏图就算大方了，怎么训？我们试过往回用GAN生成缺陷样本，结果模型在实际产线上疯狂误报，因为生成的图跟真实缺陷特征还是有差距。更恶心的是，有些缺陷类型生产三个月才出一回，你根本来不及积累。
问：那有没有办法降低对样本的依赖？
答：小样本学习、迁移学习，理论上行得通。但工业界真正落地的还是那种半监督+人工复核的老套路。先把阈值调到宁错杀不放过，再靠人二次确认。不过话说回来，这样成本又上去了。唉……所以说，AI落地难就难在你得同时懂工艺、懂光学、懂算法，还得会哄着客户多给点数据。
选相机，别只看参数
很多工程师选工业相机，上来就比分辨率、帧率、像元尺寸。这些重要，但接口和驱动经常被忽略。有一次现场调试，相机是GigE的，PLC是Profinet，中间还得加个上位机做通讯，延迟一言难尽。后面全换了USB3.0？带宽又不够。最后工程师骂骂咧咧上了Camera Link，成本直接超预算20%。所以，搞视觉方案一定要把整个数据流理清楚，从触发信号到图像采集到结果反馈，每个环节的延迟累计起来，很可能让节拍达不到要求。✅
还有环境适应性。上次去个印刷厂，生产车间粉尘大，相机的保护罩子三天就得擦一回。他们有个操作工嫌麻烦，直接拿抹布蘸酒精擦镜头——结果镀膜废了，图像色差大到算法完全不认。培训，培训太重要了。
写到这里，想起前阵子一个项目复盘会，大老板问为什么视觉系统一直不稳定。我们PM支支吾吾地说，因为现场温度波动5度，引起镜头热胀冷缩，标定参数漂了……你看，这就是机器视觉的真相：它不是买个软件就能搞定的事，而是一个系统工程。
所以啊，下次再有人跟你吹他们的AI视觉方案多牛多牛，你先问他：打过什么光？标定板用过几种？现场循环水冷做了吗？