你以为上了视觉系统就高枕无忧？哈。天真。上周我蹲在车间，盯着屏幕上的红色NG标记，头皮发麻——明明人眼一看就没问题，它偏报错。更气人的是，有些划痕肉眼都费力，漏检了，质检员一脸“我早说这玩意儿不靠谱”的表情。缺陷检测这行，水太深。
硬件选型：相机和光源的锅，别全甩给软件
搞缺陷检测，十次翻车八次死在硬件上。尤其是光源。很多工程师上来就整个环形光，无脑怼，后果就是：灰尘、油渍、甚至产品表面正常的纹理，全给你判成缺陷。产线一跑，报警停不下来。
我吃过亏。有次做金属零件表面划痕检测，环形光下，划痕和加工刀纹搅在一起，人眼分不清，机器更是瞎。后来换了低角度条光，斜着一打，划痕瞬间凸现，刀纹淡到可以忽略。记住：光的入射角决定什么特征被放大。还有偏振片，对付反光，简直是神器。
相机呢？分辨率不是越高越好。你算笔账：检测精度0.1mm，视野100mm，横向至少1000像素，考虑到边缘畸变和对比度，翻个倍，2000万像素起步吧。但帧率就下来了。高速产线？别盲目追高像素，像元尺寸和快门速度的匹配，才是关键。卷帘快门拍运动物体？重影让你怀疑人生。
算法：深度学习不是银弹，它有时候连铁弹都不算
自从卷积神经网络火了，缺陷检测圈就开始迷恋“AI替代人工”。实话，我推过好几个深度学习项目，踩的坑比填的土还多。
数据不平衡，老大难。正常品成千上万，缺陷品一天捡不出十个。你拿这种集子去训，模型直接躺平——全判OK，准确率99%，实际漏检100%。可笑不？还有标注质量，外包团队标得那叫一个随心所欲，裂纹标成污点，坑孔标成划痕，模型不崩才有鬼。
最让我崩溃的是泛化。实验室精度99.5%，换卷新批次材料，表面反光率微变，误报瞬间飙到20%。工业场景，光照、振动、灰尘、油温，全是变量。你不可能穷举所有环境组合去训练。后来我们搞了在线难例挖掘，边跑边学，总算把误报压到5%以下，但开发周期翻了三倍。
问：标注了几百张图，模型还是乱抓，怎么办？
答：几百张？在工业界那就是闹着玩。最起码几千张，还得做数据增强——旋转、缩放、亮度抖动，模拟产线波动。更关键的是，你不要光标缺陷，正常样本也得标，尤其那些纹理复杂的背景，不然模型会把花纹当裂纹。别忘了负样本的重要性。还有，用分割别用检测框，缺陷边缘往往模糊，框不准，后续计算尺寸就失真。
问：传统算法还用不用了？感觉深度学习包打天下。
答：天真+1。很多简单场景，传统算法稳如老狗。比如测量尺寸、检测有无、计数，halcon那套还是快。深度学习擅长的，是复杂纹理、难以描述的非标缺陷，比如布匹破洞、陶瓷暗裂。有些项目，我们先用传统算法过一遍粗筛，再用AI精判，混合架构省钱省力。
产线落地：稳定才是王道，否则就是展览品
调试阶段爽，上线泪两行。环境光变化，上午下午窗边亮度不同，系统就抽风。我们给设备加了个外罩，里面恒定光源，顺带解决了一个大隐患：工人手电筒巡检时，手电光扫过视觉工位，直接触发一批误检。这你能想到？
振动更要命。冲压车间，地基都在抖。图像糊了，还检个啥。后来用减震基座，加外触发，定拍，不抖的时候才采图。还有灰尘，镜头一脏，图像出斑点，被判为缺陷——定期的自动对焦和吹气清洁，得写进工单。
这些年最大的领悟：缺陷检测，七分工艺，三分算法。工艺指的不是生产，是整个视觉系统的工程实现。相机支架能不能快拆？光源角度能不能快速调节？操作工能一键换型吗？别让一线觉得你的系统是“祖宗”，得求着供着。
前年我们上了一条线，检测PCB焊点，一开始良率乱跳，车间主任差点砸机器。后来发现是输送带速度不稳，导致图像拉伸，我们加了编码器追频，问题解决。但这事儿，项目经理和算法工程师都没预料到，只有天天泡产线的人才知道。
别指望一劳永逸。缺陷检测是死磕，是持续迭代。下次再有人跟你说“交钥匙工程”，你让他去车间住一周。