2026-06-03 15:26:40 作者：网编
分类：文章
去年给一家汽车零部件厂部署视觉检测系统，差点把老工程师气出高血压。他们买了套据说“德国技术”的设备，拍出来的照片一片模糊，还天天报警说有缺陷。老板脸都绿了。我去了现场一看——好家伙，相机的保护镜片上一层油污，光源角度偏到姥姥家去了。就这，能检出什么？简直离谱。
打光：看不见的成本黑洞
机器视觉这玩意儿，硬件堆料谁都会，但打光没搞好，全白搭。我见过太多厂子花了上百万买相机、镜头、算法，最后却舍不得几千块的光源——然后天天抱怨“设备不行”。光源是机器视觉的眼睛，告诉你，光照角度差个5度，可能缺陷就漏过去了。划痕、毛刺、颜色差异，每种都得试不同的光：同轴、环形、背光、漫射……有时候还得组合。有一次检测透明塑料件，搞了三天试了八种光源才勉强搞定。别以为这是玄学，还真有点靠经验和运气。
工业环形光源打光检测金属表面划痕
💡 记住：相机再高清，打光烂，拍出来就是一堆噪点。而且环境光干扰也坑人。车间顶上那排日光灯，一开一关都可能让检出率波动。我就曾半夜去客户现场调参数，因为白天阳光从窗户照进来，影响太大。最后把窗户封死了事。❗教训：产线照明要稳定，别省那点遮光帘的钱。
传统算法还是深度学习？别被PPT忽悠了
问：现在都说AI视觉好，但为什么我们厂上了深度学习还是检出率低？
答：说实话，深度学习不是万能药。很多厂数据量根本不够。训练一个模型需要大量标注过的缺陷图，可生产线上的缺陷本来就是少数，你能有多少样本？几百张顶天了，训练出来的模型要么过拟合，要么啥都认不出。而传统算法，比如模板匹配、blob分析，虽然“笨”，但在固定场景下很可靠，调参也快。我的经验：小样本、规则清晰的任务，先用传统算法；复杂纹理、多变缺陷，再上深度学习。别一上来就被销售吹晕了。
问：那有没有折中的办法？
答：当然有。混合方案嘛。先用传统算法筛出可疑区域，再让深度学习做二次判断。这样既快又准。还有迁移学习，拿公开数据集预训练，再用自家伙儿数据微调。不过还是那句话：数据质量决定上限。我见过最离谱的案例，人工标注把良品标成缺陷，模型越训练越抽风。😂
机器视觉深度学习缺陷检测流程图
换型调参：操作工的噩梦
一套视觉系统上线，你以为就万事大吉了？太天真。生产一换型号，所有参数可能要重新调。曝光时间、阈值、ROI区域…… 有的设备界面做得跟天书一样，操作工怎么可能懂。我培训的时候反复强调：换型文档必须做成“傻瓜式”，一步一步截图，标好按钮位置。否则，半夜产线停了，你爬起来远程？还是赶去现场？我都干过。
有一次甲方换了个新夹具，检测位置偏了10个像素，良品全被剔出来了。操作工不敢动，生产线停了两小时，损失几十万。事后查，就是基准点校调没重新做。这不是机器视觉的问题，是管理流程的问题。✅ 建议：建立严格的换型SOP，包括视觉程序切换、光源复检、首件确认。把责任落到人。
另外，环境振动也坑。冲压车间旁边装视觉检测，地都跟着震，相机抖得跟帕金森似的。加固了基座，加防震垫都难解决。最后挪了个位置。选址时真该拿个加速度计测测。机器视觉不是孤立系统，它跟整个产线生态相关。
维护：别等脏镜头毁了你的产能
镜头脏了、光源衰减了，是渐进过程。很多厂没有定期清洁计划，直到误报率飙升才处理。我见过镜头前积了厚厚一层灰，还能“检测”出缺陷——全是灰尘的假缺陷。❗制定清洁频率，记录光源使用时间，寿命到了及时换。这点钱不能省。
话说回来，机器视觉确实能带来巨大收益。但前提是你别把它当傻瓜相机。它需要工程师的细心调教，需要一个能够不断优化的机制。想一劳永逸？不可能的。
工业现场脏污相机镜头导致误检
坑很多，但也不是不能避免。多跟有经验的集成商聊聊，别只看技术参数。说到底，机器视觉是一个系统工程，从选型到维护，每个环节都藏着魔鬼。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。如有侵权请联系删除。
文章名称：机器视觉在产线上到底有多神？这些坑我替你踩过了
文章链接：https://www.zystgy.cn/a/51900