❗ 真相是：大多数工厂要的缺陷检测，远没到炫技的程度。甚至，连一张像样的缺陷样品都凑不齐。
我不想谈什么“第四次工业革命”。太远。咱们聊点车间里实实在在的疼。
人工目检：一颗定时炸弹
十年前我在某电子代工厂，看到一条流水线末端坐着八个女工，每人手里捏着个小手电，翻来覆去照手机外壳。一天十小时，盯得眼泪直流。良率？全凭感觉。有一次客户投诉壳体内部有毛刺，追溯下去，出事那班的小姑娘前一天失恋，走神了。这能怪她吗？是个人都会累。
人眼的极限——说实话，对于小于0.1mm的微裂纹，检出率能稳定在80%就算烧高香。更别提一致性：早晨眼神好，下午就花了。我见过最离谱的案例，某螺丝厂用人工筛选，客户那边装配时发现混入了半截断钉，差点整批退货。之后厂长咬牙上了光学筛选机，不是觉得AI多先进，纯粹是被逼的。
不过话说回来，早期那种靠几个光电开关、纯基于灰度阈值的“笨”机器，反而比现在动辄上深度学习稳定。为什么？因为规则简单，没有“误把灰尘当裂纹”的困扰。可惜场景稍微复杂一点，它就直接罢工。
从传统算法到深度学习：不是替代，是互补
2016年我主导一条刹车盘铸造线改造，缺陷种类多达17种：气孔、缩松、裂纹、夹杂……传统Blob分析根本hold不住。当时尝试了Halcon的基于形状的匹配，加上纹理特征提取，勉强把过杀率压到15%以下。但每换一种产品，重新调参调到崩溃。
后来引入了一个轻量的CNN，才真正体会到什么叫“特征自动提取”的快感。但！注意了，这里有个巨坑：没有足够多、足够真的缺陷样本，深度学习就是个花瓶。
问：都说深度学习需要大量数据，现实中很多缺陷一年都见不到几次，怎么搞？
答：这问到了痛处。我的做法是“先人工造，再生产线采”。用记号笔在工件上画伪缺陷，用锉刀故意磕出痕迹，甚至用酸腐蚀模拟锈蚀坑。先让模型理解什么是异常，上线后开启“难例挖掘”——把误判的、漏判的图像自动存下来，人工标注后再回炉训练。三个月后，模型对真裂纹的召回率从60%拉到了92%。但前提是：你得有个懂工艺的人，而不是只会标框的实习生。
问：3D视觉是不是比2D更好？
答：看场景。如果是平面缺陷如划痕、脏污，3D反而添乱——激光线会把细微纹理平滑掉。但对于高度方向的缺陷，比如焊点高度、零部件装配间隙，3D轮廓仪是唯一解。我去年处理一个电池极片对齐度检测，用2D死活打不出稳定光，换成3D线激光后问题迎刃而解。❗但代价是成本翻三倍，节拍却慢了40%。所以得权衡。
系统集成：那些没人告诉你的碎渣事儿
你以为算法调好了就万事大吉？天真。光源角度偏5度，灰度值能差30个级。振动导致相机微动，图像模糊，检测框直接跑飞。我印象最深一次，某产线PM2.5超标，镜头上落了一层静电灰，良品疯狂被误剔，操作工以为机器抽风，差点一扳手砸了控制柜。后来加了气帘防护，定期自动清洁，才算消停。
还有就是通讯。视觉控制器和PLC的握手方案坑死人。拍完照到给出OK/NG信号，必须在150ms内，否则节拍跟不上。用TCP/IP经常有几十毫秒抖动，后来直接改走EtherCAT，配合硬件触发，延迟压到5ms以内。这些细节，没在现场熬过夜的人根本不会注意。
更头疼的是数据追溯。现在客户不只要求你把废品踢出来，还要知道这批缺陷的分布趋势，最好能自动生成SPC报表。于是又得接MES，得把图像和数据以时间戳匹配。存了半年图像，硬盘爆了三次——后来给服务器上RAID5，才发现钱花在存储上比算法还多。💡 这里面有个省钱技巧：只存缺陷图+每百个合格品中随机抽一张。足够做趋势分析了。
检测方案选型：别被厂商PPT忽悠
市面上视觉厂家千千万，每次展会都吹嘘“零漏检”。扯淡。我参与评估过不下15家，能打的没几个。建议带上自己产线上最恶心的缺陷样品去测试，当场看效果。注意：不是看demo，是接上真实的传送带，在正常光照、振动下跑一小时，统计误报率、漏报率。
一条铁律：如果某个缺陷靠人眼在静态下需借助放大镜才能看清，就别指望在线检测能100%抓出来。必须设定可接受的风险等级。
另外，算力平台别盲目追求GPU。有些简单的尺寸缺陷检测，一个几百块的嵌入式ARM板跑传统算法，稳定得一批，何必上工控机？
问：新项目启动，应该先上缺陷检测还是先做SPC过程控制？
答：我强烈建议先做过程控制。很多缺陷的根源是工艺参数漂移——比如注塑温度低了，熔接痕就多。把参数监控好了，缺陷自然就少。缺陷检测是最后一道防线，不能当救命稻草。否则容易陷入天天补漏的死循环。
写到这里忽然想起，前两天老周又给我打视频，背景里那台设备还在跑，他咧着嘴说：“我把所有误检图全重新标了，又训了24小时。现在它连我脸上的皱纹都能分出来不是裂纹了。” 车间里轰一声笑。我觉得，这才是真实的推进——没有魔法，只有死磕。