上个月去东莞一家电子代工厂，负责人老张拉着我诉苦。他们的视觉检测设备，三个月内漏判了四次致命缺陷——一次是连接器pin针歪斜，一次是焊点虚焊，另外两次更离谱，连基板划伤都没揪出来。“这机器眼睛是不是瞎了？”老张原话。我让他调出检测日志，问题根本不在硬件，而是打光和阈值设得像个外行。他瞪着眼睛看我，那表情，我见太多次了。✅
打光：别以为照亮就行
机器视觉最容易被低估的环节，是照明。真的。你花几十万买个高分辨率相机，配个顶级镜头，然后随便架个环形光源——以为这就叫检测？光源波长、角度、均匀度，比像素数重要一百倍。 举个真实案例：检测金属表面微小凹坑，用普通白色LED环形光，什么也看不清。换成低角度蓝色同轴光，配合偏振片，缺陷瞬间“跳”出来。原理？蓝光波长短，散射敏感，对微细结构分辨率高。很多人不知道这事儿。💡
我做非标视觉方案这些年，总结一条血泪教训：先花80%时间研究打光，再调算法。 把光线当成你的“检测工具”，不是辅助。该用背光突出轮廓，用暗场捕捉划痕，用结构光搞3D轮廓——这些基本套路，被忽视到令人发指。❗
算法：别迷信深度学习
现在满世界吹AI视觉，好像深度学习是万能药。我不反对，但说实话，90%的产线缺陷用传统图像处理就能搞定，还更稳定。深度学习费标注数据、费GPU、解释性又差，你真敢靠黑盒模型判定良率？我见过一个项目，硬上CNN检测布匹瑕疵，样本不足，训练集过拟合，上线后把正常纹理当成破洞，误报率吓得操作员直接拉停产线。
传统方法不是老古董。形态学运算、频域分析、模板匹配，这些工程化成熟到不能再成熟。比如检测字符缺失，阈值分割+blob分析，几毫秒完事，深度网络反而可能被字体变化整懵。不过话说回来，对于极端复杂场景——比如透明材料内气泡、随机纹理中的微弱裂痕——深度学习确实有优势。但得用对：小样本异常检测，用自编码器重构；大样本分类，上轻量级网络。 别动不动就ResNet，杀鸡用牛刀。💡
有人问：传统与深度学习怎么选？看数据。具体点：
- 规则明确、背景单一：传统算法优先。你甚至可以用GigE相机直连PLC，省掉工控机。
- 干扰多、缺陷形态不定：先试传统特征提取，不行再考虑MLP或随机森林。
- 非结构化、需要语义理解：走深度学习，但务必保证训练集覆盖生产环境变异性，光照、脏污、产品换型都得涵盖。
再说个事：很多集成商把深度学习当卖点，方案书里一堆技术名词，客户听着云里雾里。最后呢？验收时漏判一堆，回头怪相机分辨率不够。❗
3D视觉：从“能看”到“能抓”
2D视觉解决大部分检测，但遇到高度、体积、姿态识别，就得3D了。激光三角测量、结构光、ToF——选型是个坑。去年给一家汽车零部件厂做焊点高度检测，用了激光轮廓仪，速度跟不上节拍，后来换光栅式立体视觉，牺牲一点精度换速度，匹配机器人抓取，这才跑顺。✅
3D视觉的痛点是点云处理性能。每秒百万点，你要实时去噪、分割、匹配，CPU根本扛不住。现在有GPU加速库，比如CUDA写的点云库，但还是要从传感器端就开始优化：ROI只取感兴趣区域，没必要整幅重建。另外，标定极其重要。你手眼标定不准，机械臂抓取就偏，哪怕算法再牛，最后也是废铁。
问：小批量多品种产线，3D视觉划得来吗？
答：看需求。如果只是有无检测，2D加个背光足够。如果是需要引导机器人柔性上下料，那必须3D。不过现在激光轮廓仪价格降了，国产例如LMI、如本的，性价比不错。建议先拿离线数据跑通可行性，再投硬件。投入产出比算清楚，别头脑发热。❗
系统集成：为什么你的视觉“时灵时不灵”
99%的视觉系统不稳定，根源在环境的轻微变化被无限放大。厂房震动、环境光干扰、工件表面油污、甚至操作员中午换了个口罩，都可能导致误报。我跟团队定规矩：视觉架设后，先做72小时稳定性测试，故意把灯关一盏，拿风扇吹，放个反光板——系统要是扛不住，别上线。
还有通信。触发信号丢失、TCP/IP延迟、PLC握手超时，这些IT层面的事儿，视觉工程师往往不熟。结果相机采到图了，传送带没停，缺陷件流到下站。我见过最离谱的一次，视觉系统与MES对不上时间戳，整个批次追责时乱成一团。💡
问：漏判和误报，哪个更难调？
答：当然是漏判。误报顶多人工复检，漏判是直接流出问题件，风险高得多。调参时，我通常把漏判率压到千分之一以下，哪怕误报飙到10%，再慢慢降误报。但这得跟生产部门妥协，他们看到一堆误报要骂娘的。所以沟通也是技术活。😅
最后，机器视觉不是什么高大上的黑科技，它就是《工业的眼睛》。但这双眼睛要亮，得靠老练的光学设计、务实的算法选择、偏执的系统优化。别信那些天花乱坠的PPT，下车间，看实物，用数据说话。就这样。