干了十五年设备维护，工业检测这摊事儿……怎么说呢，真是又爱又恨。现在张口闭口都是AI视觉、深度学习，可你到产线上走一圈，能满血跑起来的方案，一只手数得过来。不是算法不行，是坑太多了。
去年我们给一条老旧的轴承装配线做自动化改造，想加一道外观缺陷检测。心里盘算着：就用市面上成熟的视觉模组，拍个照，跑个分类模型，不良品直接推走，多简单。结果呢？光方案就折腾了四个月，差点被生产部怼到墙上。
💡 坑一：你以为的光，不是算法要的光
视觉检测最玄学的部分——打光。真的，谁再跟我说“均匀照明”我就跟谁急。均匀？轴承套圈反光跟镜子似的，一个点光源打上去，划痕没拍出来，倒把纹理拍成了裂纹。后来发现得用低角度环形光，还得配合偏振片。光是试灯，我们就买了不下十种：同轴光、穹顶光、背光、结构光。实验台堆得跟垃圾山一样。
有个搞深度学习的小伙子来现场调参，盯着图片愣了半天说：“这图片质量，神仙也检不出来。”我心想，这不废话吗，工业现场哪有实验室那么干净？油污、震动、环境光干扰……哎，说多了都是泪。
更离谱的是，光源还会衰减。用了三个月，检出率断崖式下跌。一查，LED光衰了15%，算法模型没做自适应，全乱套了。后来我们不得不在相机旁加了个光照传感器，定期自动补偿。所以啊，光源不是装上就完事儿，得当成耗材管。
❗ 坑二：模型在训练集上99%，上线就翻车
这大概是每个刚搞工业检测的AI工程师都要经历的毒打。实验室里拿着标准数据集，ResNet、YOLO跑得飞起，mAP高得吓人。一接到产线实时视频流，立马歇菜。为什么？变异性。
同一个型号的轴承，供应商不一样，表面色泽就能差两个等级。上午下午，车间窗户透进来的太阳光角度变了，检测区域灰度直方图直接漂移。更别提单是“划痕”这一种缺陷，形态就千奇百怪：径向划痕、周向划痕、磕碰伤、锈斑、材料发纹……而训练样本往往只有几十张精心挑选的典型图。
问：那我们多采点图不就行了？把产线上所有可能的情况都拍下来训练？
答：理论上对，但现实会教你做人。一条产线一天生产几万件，你让模型从头学？冷启动的时候根本没那么多缺陷样本——良品率99.5%呢，缺陷件本来就是小概率事件。等攒够样本，订单早交了。这就是典型的“小样本、高变异”场景，传统深度学习真的很吃力。
我们最后用了“异常检测”的思路，只学良品的分布，跑偏了的就算异常。但这又带来新问题：阈值怎么设？松了漏检，严了误报。产线工人一天被误报打断十几次，直接给我们起了个外号——“狼来了团队”。
🤯 坑三：精度够了，速度呢？产线不等算法
很多搞算法的人忽略了一个要命的事实：工业检测是嵌在生产节拍里的。你一张图推理200毫秒，觉得挺快？节拍要求0.8秒出一个件，其中留给检测的窗口可能只有300毫秒，还得算上机构动作、通讯延迟。有一回我们兴致勃勃换了个Swin Transformer，精度确实高，但单张推理慢得要命，加上前后处理，直接让整条线降速了15%。产线经理拎着秒表就冲过来了，那眼神我至今记得。
最后逼得我们搞模型量化、剪枝，甚至用FPGA做了硬件加速。说白了，工业检测不是炫技，是戴着镣铐跳舞——你得在精度、速度和成本之间走钢丝。
问：那直接上更贵的相机、更强的工控机不就行了？
答：老板的预算会教你冷静。咱们是搞制造的，不是做AI研究的。一台100万像素的工业相机加镜头、光源，一个工位投入小十万很正常。一条线六七个检测点，算下来就是辆豪车。而且设备越复杂，维护越头疼。我们吃过亏，曾经用了一套激光轮廓仪做3D检测，精度那是真漂亮，但现场温度一变化，光路就偏，每周都得重新标定，产线骂我们“请了个祖宗”。
所以，能用2D传统算法稳住的，就别强上3D；能用规则搞定的，就别端大模型。工业检测最优雅的方案，往往是用最朴素的技术解决最实在的问题。
✅ 一些不那么痛的领悟
踩了这么多坑，总算攒了点肌肉记忆。搞工业检测，别一上来就想着算法多先进，先老老实实把下面几件事磨透：
- 光学方案比算法重要十倍。 花两周泡在产线调光，绝对比花两周调参划算。记住：好的图像是“缺陷凸显、背景消隐”。
- 跟工艺打成一片。 缺陷定义必须来自工艺和品控，不是来自AI工程师的臆想。我们曾经把一种正常的加工纹理判为裂纹，闹了好大笑话。
- 做鲁棒的，别做完美的。 允许十万分之一的漏检是设计出来的，不是妥协。关键缺陷零漏检，次要缺陷可控误报——这才是工业的思考方式。
- 维护性就是生命线。 方案再牛，现场换型时调不了，一周后就成废铁。所以，我们后来强制要求所有视觉方案必须具备“一键标定”和“远程调试”功能。
工业检测这场仗，现在看来，远没到AI一统天下的时候。它更像一门手艺，需要光学、机械、电气、算法和工艺多方烩在一起，用经验的盐慢慢调。如果你想入坑，欢迎，但一定带好头盔。那些宣传片上闪闪发亮的全自动检测线，背后全是工程师们熬夜掉的头发。
不过话说回来，当看到自己调的系统稳定跑过百万件，报警灯一直绿着，那种满足感……啧，值了。