上周三，凌晨两点。
生产线突然停摆——摄像头把正常焊点全标红了。
紧急停线，十几号人围着设备团团转。结果呢？只是镜头保护罩上凝了一小片水雾。就这，害得我差点被质检主管劈头盖脸骂到天亮。
说实话，搞了十五年缺陷检测，这种低级失误还是能让人当场破防。
你以为上马了AI、上了3D视觉就能高枕无忧？天真。设备越精密，脾气越古怪。前几天刚听同行吐槽，他们花了几百万引进的深度学习系统，头三个月表现神勇，结果一到夏天——车间温度上来了，误报率直接翻三倍。模型压根没学过高温下的图像特征。你说冤不冤？
为什么你的AOI总是“瞎”？
AOI（自动光学检测）是个好东西。但用不好，它就是个精致的废物。
我见过最离谱的项目：客户要求检测PCB上比头发丝还细的划痕，却坚持用二十年前设计的环形光源。板子反光角度稍微偏一点，图像就过曝得惨白一片。调了三个月参数，最后发现——换一组偏振片就能解决的事，非要死磕算法。光学方案选型，永远比算法调优重要一百倍。这不是我原创的金句，是实打实的教训。
❗ 很多新手工程师会掉进一个陷阱：过分迷信AI的“智能”。其实缺陷检测的成败，70%在成像阶段就已经决定了。你喂给模型的图像本身信息就不全，指望后期靠代码补？做梦。
问：小批量多品种的生产模式，怎么搞缺陷检测？
答：这是一个让人头秃的问题。传统做法是每种产品都定制一套检测方案，但切换频繁的时候，光是重新标定、对位就能耗掉大半天。现在比较务实的思路是“零样本学习”加动态参数调整——当然，这词儿听起来玄乎，说白了就是让系统自己从少量OK样本里学个大概，然后通过实时统计过程数据自动微调阈值。不过，亲自试过之后，我得泼盆冷水：没你想得那么稳。遇到复杂背景或渐变缺陷，照样翻车。目前最靠谱的折中方案，还是模块化硬件（比如快换载台）+ 参数配方一键切换。成本高些，但至少不耽误生产节拍。
深度学习不是万能药
这两年ChatGPT火了，老板们动不动就拍桌子：上人工智能！全面替换人工质检！——我一听这话就后背发凉。
真实车间里，缺陷形态千奇百怪：油污、划痕、毛刺、缺料、色差……有的连人眼都要侧着光才能看清，你让一个训练时没见过这种花活的模型去判，它能不瞎猜吗？
更头疼的是正样本收集。某些精密零部件，良率极高，一年也攒不出几十个缺陷样本。用数据增广？生成对抗网络造假图？千万别过度依赖。合成图跟真实缺陷的纹理、边缘过渡总有微妙差别，模型会记住那些假的“特征”，实战直接崩。
💡 我的血泪经验：先上传统算法兜底，再用深度学习查漏补缺。比如用边缘检测+形态学处理搞定明显缺陷，把模棱两可的疑难杂症丢给CNN。这样漏检率降下来了，误报也不至于让后段复判人员集体辞职。哦对了，模型迭代一定得在现场蹲够一个完整的换季周期——冷启动那几天的高光表现，不算数。
问：缺陷检测设备买回来，验收时要注意哪些坑？
答：这问题问得太好了！因为我就是踩坑踩到膝盖中箭。厂商来演示的时候，挑的全是完美样品，灯光一打，效果惊艳。可一旦批量跑，就原形毕露。记住几条保命守则：
1. 验收必须用产线真实物料，包含极限不良品，最好把过去一年攒的“疑难杂症”全搬出来。
2. 考察长期稳定性，至少连续跑72小时，看误报率、漏检率有没有漂移。
3. 软件操作逻辑容不容易误触？有没有权限分级？我们之前有台设备，操作工会无意间关掉检测通道，导致数百件不良品流到下工序，惨烈。
4. 跟供应商谈好，后期增加新品种的费用怎么算？别验收完了，改个检测框都要收天价服务费，那可就套牢了。
话说回来，这些年缺陷检测技术确实进步神速——从2D到3D，从规则算法到深度网络，甚至连声学、红外热像都开始玩跨界融合了。可技术再酷，落回地面还是得跟油污、振动、操蛋的车间光照做斗争。没有一劳永逸的银弹，只有不断试错、不断妥协的工程师。
对了，上次那台因为水雾误报的设备，后来我们在保护罩里加了微型除雾膜，成本不到五十块。
你看，有时候拯救一条产线的，根本不是高大上的算法，而是一点点生活常识。