上个月，我去客户现场调试一套缺陷检测系统。一切准备就绪，打光、拍照、算法跑起来……结果漏检率高达15%。当场打脸。说实话，那一刻后背全是汗。
到底哪儿出错了？
回来复盘，发现问题出在光源上。不是相机不行，不是算法不够牛，是光没打好。同行都知道，机器视觉这行，
其实玩的就是光。软件上那些花里胡哨的深度学习模型，很多时候不如一盏合适的环形光源来得实在。
那次之后，我给自己定了条规矩：任何项目，先花一天时间只做打光实验。别急着调代码。现场环境千差万别，实验室里完美的方案，到了车间可能就是个废物。环境光干扰、工件反光、油污、振动……每一项都能让你的系统变成瞎子。
相机选型，参数党最容易交学费
很多新手，包括几年前的我，选相机只看分辨率。2000万像素！听起来多唬人。结果呢？帧率跟不上，检测速度慢得像乌龟。或者全局快门和卷帘快门没分清，拍运动物体就拖影。再或者，传感器尺寸和镜头不匹配，视野怎么算都对不上。这些坑，不亲自摔一个，光看产品手册根本意识不到。
问：到底应该怎么选工业相机？分辨率、帧率、传感器，哪个优先？
答：没有绝对优先级，但先明确检测任务。如果检测高速运动目标，卷帘快门直接 pass，必须用全局快门，并且帧率要足够高。如果检测精度要求极高，比如10微米的缺陷，那么分辨率要配合光学放大倍数来算，不是单独看像素。至于接口，GigE 和 USB3.0 够用，CoaXPress 或 Camera Link 才扛得住高带宽。最近我用得比较多的是10GigE，布线简单，带宽也够，就是贵了点。
镜头也一样，很多人以为随便配个C口镜头就行。畸变、景深、工作距离，稍微不注意，图像边缘就糊了。尤其是现在流行的大靶面相机，配镜头更得小心。之前有个项目，因为镜头分辨率跟不上相机传感器，拍出来的图像放大一看全是色差，跟油画似的。算法再厉害也白搭。
算法，是不是越新越好？
现在满世界都在讲深度学习，Convolutional Neural Network 啊，Vision Transformer 啊。确实，在一些复杂场景下，传统图像处理搞不定的，深度学习能轻松解决。但我得说句实话：能用滤波 + 二值化搞定的，就别上 GPU。工业现场求稳，不是刷榜。一个简单的阈值分割，调好了比什么模型都可靠。而且，深度学习需要大量缺陷样本，很多工厂根本给不出那么多数据。最后折腾来折腾去，还不如一套传统算法稳定。
问：传统算法和深度学习在工业检测中到底怎么选？有没有具体原则？
答：如果缺陷形态固定、背景简单，比如印刷字符检测、尺寸测量，传统方法优先，速度快，可解释性强。如果缺陷随机、纹理复杂，比如布匹瑕疵、金属表面不规则划痕，那深度学习是更好的选择。但别忘了，部署环境也很关键。有些老旧的产线，控制柜里放不下高性能工控机，就得考虑用嵌入式视觉系统，或者把算法轻量化。我们有一次在食品包装线上，用 OpenCV 加一个简单的背景差分就解决了问题，成本低得惊人，效果却一点不差。
说到嵌入式，现在智能相机越来越强了。把图像采集、处理、通信都集成在一个小盒子里，省去接线烦恼。不过，价格嘛……一些进口品牌够你组一套PC-based系统了。国产的有几家做得不错，海康、大华、华睿，性价比很高，但稳定性仍需现场检验。尤其是在高粉尘、高湿度环境下，散热和防护是个挑战。
最后的碎碎念
做了这么多年机器视觉，最大的感受是：技术只是工具，关键在理解工艺。跟产线师傅多聊两句，可能比看十篇论文更有用。那些看似落后的土办法，往往藏着最原始的需求。下次再去现场，我第一件事不再是打开电脑，而是先观察、先问人。机器视觉，终归是为“人”服务的。别把自己搞得太玄乎。
❗真心建议：如果你是刚入行的工程师，多去现场，多沾点油污，多挨几次骂。成长最快的方式，不是看抖音上那些神乎其神的视觉方案，而是亲手去调一次焦，磨一次光源。那感觉，踏实。