烦透了。后来，2018年吧，抱着死马当活马医的心态，用上了卷积神经网络。结果呢？效果出奇地好——漏检率直接从5%降到0.3%以下。当时在车间里，盯着屏幕上那些被精准框出的缺陷，忍不住爆了句粗口：靠，早该换了！
但高兴得太早。真正落地的坑，那才叫一个深。
数据：你以为的够，其实差得远
都知道深度学习吃数据。可工业场景，哪有ImageNet那种成百万上千万的标注数据？一条产线，历史缺陷图片可能就几百张，而且良品率98%以上——缺陷样本少得可怜。有一次，为了收集一种罕见的裂纹缺陷，我们硬是让产线废了三天，故意制造残次品。结果被老板骂得狗血淋头。
数据增强？当然用了。旋转、翻转、加噪声……但请注意，工业缺陷有严格的几何特征，旋转后缺陷方向变了，可能就不再是原来的缺陷模式了。比如金属表面的“拉丝纹”，方向一乱，模型反而搞混。有一次，我自作聪明加了一大堆增强，模型在验证集上准确率飙到99.9%，一上线就傻眼——把良品误判为缺陷的几率高达20%。过拟合？不，这叫“过增强”。后来学乖了，增强只做轻微仿射变换和亮度抖动，缺陷形态上的变化，老老实实去产线多采真实样本。
迁移学习在工业视觉里，也不是万能药。ImageNet预训练权重，对于自然图像有用，但金属表面纹理、X光焊缝图这种，特征分布完全不同。我试过用预训练模型微调，还不如从零训练的三层小网络。所以，千万别迷信“标注少，迁移学习来凑”那种鬼话。工业视觉，一定要构建自己的领域数据集，哪怕一开始只有几百张。
模型：杀鸡焉用牛刀？轻量才是王道
产线上，速度就是生命。我们一条生产线，节拍1.5秒一个工件，检测部分留给算法的只有300毫秒。300毫秒啊！要是塞个ResNet-101，再加个FPN，推理时间轻松破半秒，直接导致产线堵料。工人师傅拎着扳手就过来了：“啥玩意儿？咋老卡？”
于是开始折腾模型压缩。剪枝、量化、蒸馏……试了个遍。最后发现，某些轻量化架构天生更适合工业现场。比如修改过的MobileNetV3，通道数砍一半，再加一层适应缺陷尺度的微调头，推理时间压到80毫秒，精度几乎不降。另外，模型部署时，千万别依赖CPU——工厂里那些工控机，有些连GPU都没有。我们用TensorRT把模型转成INT8，跑在嵌入式Jetson上，功耗低，还扛得住40℃的车间环境。惊喜的是，FP16量化后，对瑕疵的敏感度居然上去了！？后来才想通，可能量化噪声刚好抑制了背景纹理的高频波动，算歪打正着吧。
不过话说回来，模型并非一成不变。产线工艺变更，比如换了种润滑油，缺陷的呈现方式就变了。这时候，线上模型就得快速迭代。在线学习？名义上好听，实际操作起来胆战心惊——万一学偏了，整个批次全给误判，那损失可就大了。我们现在采用半自动重训练：新样本积累到500张，人工复核后重新训练，再通过影子模式（shadow mode）并行验证一周，确认无误后才上线切换。虽然保守，但稳妥。
QA答疑：一线工程师最头疼的两个问题
问：样本实在不足，尤其是新缺陷没几张图，该怎么办？
答：还能怎么办？两条路呗。一是合成数据，用GAN生成缺陷。但小心，GAN生成的缺陷纹理有时太“完美”，和真实环境下的随机性不搭，导到线上照样露馅。我试过用缺陷贴图+随机光照模拟，效果尚可，至少能救急。二是用小样本学习，比如孪生网络做相似度比对，只需几张参考图就能判断。但这种方法工程化复杂度高，对噪声敏感。目前最靠谱的还是数据增强+人工制造缺陷，虽然土，但管用。
问：深度学习模型检测速度上不去，影响到节拍，有什么优化绝招吗？
答：绝招谈不上，都是笨办法。首先，别只盯着模型本身。预处理环节，图像裁剪、ROI提取，能把输入尺寸降下来就降。其次，推理框架务必优化到极致，比如用TensorRT，加上批处理（虽然延迟敏感，但可以把单个大图拆成多个批次并行）。再就是硬件，别吝啬，Jetson Xavier比Nano强不止一点。最后，如果还不行，试试知识蒸馏，把大模型学到的知识压缩到小模型，损失个0.5%的精度换速度，划算。记住，产线上，够用就行，别追求实验室那点极致。
走到今天，回头看看，深度学习确实重塑了工业视觉。但坑也踩遍了。从数据饥渴到模型部署，从上线崩盘到持续维护，每步都血泪斑斑。然而，当看到原本需要四名质检员盯着屏幕干的活，被一套包含深度学习模型的系统全自动搞定，而且夜班无人值守也能稳定运行时……那种成就感，啧啧，真不是写几篇论文能比的。
未来？当然期待端到端的视觉系统。比如直接从图像输出控制信号，连中间的检测、分类都省了。只是工业场景，可靠性永远是第一位的。
路还长着呢。