干这行十几年了，每次听见有人说「外观检测嘛，拍个照比对一下就行」，我都想直接把样品摔他桌上——你行你上啊。😂
就在上周，一个做精密连接器的老客户打电话抱怨，产线漏检率飙升到3%，被汽车厂退了整整两批货。他们产线上那套视觉系统，去年才花几十万上的。我去现场一看，照明灯管上落了一层灰，镜头保护罩都磨花了，检测阈值还是一个离职工程师设定的，没人敢动。整个系统就这么苟着，像台老旧的印钞机……其实在印废品。❗
这就是外观检测的真实写照：理想很丰满，现实是打光乱飘、异常样本靠人编、良品和次品的分界线越来越模糊。
那些坑，只有踩过才知道疼
外观检测最要命的是什么？不是算法不够先进，而是定义缺陷。客户说「表面不能有划伤」，多深算划伤？指甲能抠到的才算？还是10倍显微镜下可见的就得毙掉？——往往合同里只写了「无明显瑕疵」。这就好比让你去超市买「一点甜的苹果」，最后买回来的永远不对。
于是项目前期，我们得花大量时间做缺陷样本收集。有一次在注塑厂，为了集齐50种黑点不良，我们在报废箱里翻了三天，弄得满手油污。好不容易训练出个模型，结果换批次、换模具、甚至换季节——环境温湿度一变，产品表面光泽度跟着变，模型就开始瞎报。良品报成不良，操作工直接关掉报警，整个系统形同虚设。所以说实话，机器视觉外观检测的鲁棒性，完全取决于你对生产波动的容忍度设计。
AI加持，怎么还像个「人工智障」？
这两年深度学习火爆，很多厂急着上AI外观检测，以为买块显卡就万事大吉。但实际呢？你喂给模型的缺陷图，可能全是同一光照角度下拍的，模型只学会了「这片暗色区域=缺陷」。有一天车间屋顶天窗开了，自然光洒进来，模型就疯了——把正常纹理全标成开裂。操作工笑得不行，说这玩意儿还不如他肉眼看。🥲
不过话说回来，深度学习在复杂纹理表面检测上确实有传统算法没法比的优势。比如木地板结疤、皮革毛孔、甚至糕点上的不规则焦斑，靠规则根本写不完。但前提是你得准备覆盖不同产线、不同批次的海量标注数据。标注成本高得离谱，一张精密电子元件的缺陷图，标注员要放大到像素级描轮廓，一天标不了50张。于是又出现了小样本学习、数据增强、甚至用GAN生成缺陷图的路子……听起来很炫，落地还是半拉子工程。💡
问：既然深度学习这么难伺候，那直接用传统算法不是更稳？
答：稳是稳，但只适合场景单一的客户。比如检测药瓶液位、螺丝有无、标签歪斜——这种传统视觉外观检测用个blob分析就搞定，调好打光几乎零误报。可一旦碰到柔性产线，产品经常换型，传统算法就累死了。工程师得不断改ROI、调阈值，设备厂商最喜欢这种，因为合同里可以写「每年维护费10%」。深度学习的好处是换型号只要重新训练，但前提是……你得有懂行的算法工程师，而这类人早被互联网公司挖走了。😤
我们是怎么把一个项目扛到99%准确率的？
去年给一家继电器厂商做触点外观检测，客户要求零漏检，过杀率还不能超过1%。一听就想打人。后来我们做了三件事：先花两周蹲在产线记录所有环境光干扰因素，包括隔壁冲压机的振动频率；接着和工艺工程师一起厘清「哪些缺陷真会导致功能失效」，把纯外观瑕疵分级，允许轻微划痕过线；最后搞了一套动态阈值，根据产品壳体颜色偏差自动微调判定边界。最终验收时，在30万件样本上漏检率为0，过杀率0.6%。——当然，前提是客户老老实实每周清洁一次光源和镜头。
问：小工厂预算有限，上不起定制化系统，有什么折中方案？
答：其实可以先从标准视觉传感器配个简单的异常检测软件起步。现在市面上有些国产方案，几万块钱就能搞定有无检测、尺寸测量。只要把打光做扎实，用个半封闭遮光罩，保证背景一致，很多简单场景的效果比想象中好。千万别一上来就追求AI，基础没打好，神仙也救不了。另外，可以考虑租赁集成服务，有些视觉厂商按月收费，包维护和算法迭代，适合订单波动大的厂子。
还有个冷知识：外观检测精度不是越高越好。曾经有个客户非要检出0.1mm的划伤，结果相机分辨率上去后，把产品表面的电镀纹理都报成缺陷，产线直接瘫痪。后来改成0.3mm，误报率瞬间降了八成。所以检测精度必须和产品功能要求匹配，别盲目追求数字。🧐
未来：3D和多光谱在招手，但也别太乐观
现在3D视觉越来越便宜，在轮廓、形变、高度差检测上特别好使。比如压铸件表面凹坑，2D靠灰度很容易漏，3D用高度图一滤一个准。还有多光谱成像，能看到人眼不可见的裂纹，在玻璃、陶瓷行业开始冒头。但说实话，这些新技术对现场的防尘、防振要求更高了，很多工厂那环境……你懂的。
最后唠叨一句：外观检测从来都不是纯技术问题，而是人机料法环的系统工程。买设备只是开始，真正考验的是你愿不愿意持续投入精力去维护、去迭代。别指望一键搞定，那玩意儿只存在于PPT里。🤷♂️