说实话，外观检测看似简单，不就是看看有没有划痕、凹坑吗？但产线上，光线的细微变化、产品摆放的随机偏移、材料批次导致的纹理差异… 每一个都能让一套视觉方案崩溃。不信？往下看。
为什么传统视觉方案在外观检测上总掉链子？
传统基于规则的视觉检测——比如用阈值分割、模板匹配——对于复杂背景下的微弱缺陷，简直没法用。打光稍微变一点，阈值就得重新调。我们曾经为了一个刹车片的细微裂纹，调了三个月参数，最后发现换一批原材料，背景纹路变了，又废了。规则永远追不上变化。这里的关键问题是：缺陷检测的难点不在于算法本身，而在于“一致性的环境”根本不存在。加上很多缺陷属于微小缺陷，在低对比度下几乎与背景融为一体，传统方法只能歇菜。
问：外观检测中最怕什么情况？
答：最怕“假OK”流到客户端。因为传统目检容易漏，机器也会漏——特别是那些反差极低、需要特定角度才能看到的划痕。我曾经遇到一个案例，手机玻璃盖板上的微划痕，正常光下几乎看不见，但特定角度反光明显。这台设备上了自动光学检测（AOI），还是漏了千分之三，最后被客户投诉惨了。所以现在很多高端产线都上AI了，用深度学习做特征提取，但AI也有AI的坑。
AI外观检测的幻觉与现实
AI进来后，工厂以为有了万能药。结果呢？数据不够，模型过拟合；负样本太少，模型学不会真正的缺陷特征。有一次我们给一家连接器厂商做外观检测，他们要检的缺陷有26类，但每种缺陷的样本不到50张，全是靠人工挑出来的。训练出来的模型在验证集上准确率98%，一到产线，误报率飙到20%——因为现场光线变化、产品位置偏移、油污等，都是训练时没见过的。这就是过拟合的典型。所以现在搞AI外观检测，必须数据增强，甚至用生成对抗网络造缺陷样本，但造出来的假缺陷能不能代表真实？又是一个问号。
问：AI外观检测模型多久需要更新一次？
答：没有固定周期。产线上换了原材料、改了工艺、甚至换了批次，都可能让模型性能下降。我们曾经一个项目，模型运行半年很稳定，突然误报增多，查了三天发现是上游模具磨损，导致产品表面纹理轻微变化——这种渐变，AI模型很难适应。所以现在我们都要求增加在线学习功能，但在线学习又牵涉到标注和质量控制，是个系统工程。而且说实话，有些工厂连像样的标注人员都找不到，在线学习反而可能让模型学偏，越学越糟。
小批量多品种的窘境
另外，对于曲面或立体产品，2D视觉根本不够，必须上3D视觉。比如焊接点的高度差、玻璃边缘的崩边尺寸，这些不用激光三角法或结构光根本测不准。而计算量的增加又逼着边缘计算必须提上来，不然处理速度跟不上产线节拍。这些技术堆在一起，成本就上去了，中小企业哪里扛得住？
外观检测没有银弹。它是一场与缺陷的无限战争，你准备得越多，活得越久。别信那些“一键AI”的宣传，踏踏实实采集数据，理解工艺，甚至把老师傅的经验量化进系统，才是正道。