一、那个价值百万的“瞎眼”系统
去年冬天，老李给我打电话，语气里带着绝望：“又崩了，客户那边产线停了，就因为几个针尖大的黑点。”我赶到现场，那台花了大价钱堆起来的视觉检测设备，正把一堆良品乱七八糟地扔进废料筐。屏幕上的NG图亮得刺眼——其实只是工件表面正常的纹理。
说实话，这种事我见多了。机器视觉这行，最怕的不是算法复杂，而是你永远不知道下一批料会出什么幺蛾子。光线偏一度，灰尘多一粒，整个系统就跟你翻脸。😤
那次之后，我们干脆把供应商的方案推倒重来。光源换了四家，镜头从定焦换到远心，算法模型从头训。三个月，你知道我怎么过来的吗？每天盯着屏幕到眼瞎，就为了那0.5%的误报率。❗
二、光源才是爹，算法只是孙子
很多刚入行的人，一上来就研究深度学习模型，YOLO、UNet、Transformer…觉得换个大模型就能解决一切。天真。我见过太多项目，视觉检测失败的原因根本不是算法不行，而是照明方案烂得像坨屎。
举个例子。一个透明塑料件上的细微划痕，你拿环形光正面打，啥也看不见；换个低角度条形光，划痕立刻像伤疤一样凸出来。这就是光的艺术。选光源、调角度、加偏光片……这些才是真正的技术活。✅
有一次，为了检测一个曲面金属件上的氧化斑点，我们试了同轴光、穹顶光、甚至专门订制了多光谱光源。最后发现，用紫外光配合特定滤光片，斑点直接荧光反应，简单粗暴。那一刻我真想抽自己——早干嘛去了！
三、“万能”算法？不存在的
现在AI概念吹上天，好像视觉检测用上深度学习就能包治百病。但现实是，你收集的缺陷样本可能连训练集的十分之一都不到。小样本、类不平衡，是永恒的坑。
问：为什么我的模型在训练集上准确率99%，一上线就瞎？
答：过拟合呗。你在实验室精心采样的那批图，跟产线上的光照、抖动、脏污完全不是一回事。模型记住了背景的噪点，而不是真正的缺陷特征。改进？先老老实实做数据增强，模拟现场干扰，别指望 magic trick。
问：缺陷样本太少，只有几十个，怎么训模型？
答：传统方法和深度学习结合。可以先上图形匹配、差分，把可疑区域框出来，再用一个小型分类网络做二次确认。或者试试异常检测架构，像PatchCore、CFA，用良品训练，检测异常。不过话说回来，这些方法也有各自的坑，调参能调出抑郁症。
所以，不要迷信算法。扎实的成像、稳定的机构、合理的阈值，往往比一个花哨的神经网络靠谱得多。💡
四、那些让你血压飙升的机械细节
视觉系统绝对不是挂个相机就完事。振动！——你体会过因为旁边冲床一砸，图像抖成波浪的感觉吗？安装支架的刚性、减震垫的选择，差之毫厘，缪以千里。
还有温度。夏天车间里四十几度，工业相机热噪声起来，暗电流一大，图像全是麻点。你标定好的检测阈值，一夜之间全废。后来我们在相机外面包了水冷套，又加装散热风扇，才勉强稳住。😫
说实话，干这行久了，我从理想主义者变成了实用主义者。别追求极致，能稳定跑三个月不出大乱子，就是好系统。什么99.99%的检测率，那都是PPT里的数字。
五、几点血泪建议，省你一年弯路
1. 做好打光档案：每款产品，把最佳打光方案拍成标准文档，连光源型号、角度、亮度的数值都记死。人员更替时，这就是圣经。
2. 留足调试余量：验收时指标别卡太死，给自己留点灰度。现场环境和实验室天差地别，你永远想不到操作工会用怎样的奇葩方式“用”设备。
3. 警惕软件更新：算法库升级？先拿历史图集回放一遍再说。我遇到过某大厂算法升级后，把原来的划痕检出率直接砍半，差点背锅。
最后，视觉检测终究是个工程问题，不是纯算法问题。你得懂光、懂机械、懂工艺，甚至懂点人情世故——因为很多时候，产线阿姨的一句“今天料有点油”比你的传感器预警还准。👵