这真不是段子。这些年，工业视觉被吹得神乎其神，好像架个相机、装个软件，产线就立刻智能化了。可实际呢？我经手的项目，至少三成最后都成了摆设——要么漏检率高到不如人眼，要么误报多到操作工直接把报警关了。视觉检测，水的确很深。今天不聊虚的，掰扯掰扯那些年我踩过的坑和反思。
光源比算法重要？——憋屈的成像现实
你可能不信，视觉检测项目失败，一半以上栽在光源和成像上，而不是你花大价钱买的深度学习软件。去年有个轴承滚子表面缺陷检测的项目，缺陷是头发丝一样的微裂纹，肉眼斜着看能看见，但相机死活拍不出。试了环形光、同轴光、低角度光，整整折腾了三周，最后换了个偏光镜片加背光，裂纹突然就“跳”出来了——那一刻，团队里的小伙子差点哭了。
说实话，很多厂家选型时只看分辨率、帧率，却不琢磨“打光”这个看似土鳖的环节。光源角度差个5度，特征可能就全变了。还有环境光干扰，车间顶上那排日光灯一闪，图像灰度漂得你怀疑人生。所以我现在给客户方案，第一条永远是先做可行性打光测试，别急着签算法合同。
深度学习不是救世主，传统图像处理还没死透
这两年，视觉检测圈言必称“AI”，似乎用上CNN就万事大吉。我接过一个医疗注塑件检测的二手项目，上一家集成商用深度学习模型，缺陷分类精度做到99.5%，甲方爸爸很开心。可上了线，操作员天天骂——因为产线换型号后，背景颜色轻微变化，模型直接“瞎”了，需重新标注几千张图。产线等不起啊！
后来我们怎么解决的？退回去，用了传统Blob分析加灰度模板匹配，调了十几个阈值参数，再结合简单的尺寸测量，一周搞定，换型时只需修改几个参数，操作工都能自己弄。不是说深度学习不好，但它是个吃数据的怪兽，而工业现场最缺的就是高质量、均衡的缺陷样本。你花几个月收集的缺陷库，可能产线一换批次就失效了。所以，我现在坚持的路线是：能用传统视觉稳定解决的，绝不上深度模型；哪怕用，也先挖出最鲁棒的预处理特征，把数据需求降下来。
问：视觉检测是不是越高的分辨率越好？
答：完全不是！首先，分辨率高意味着数据量爆炸，传输、处理都是瓶颈，成本飙升。其次，很多缺陷其实不需要“显微镜”级别，比如焊点气泡检测，用200万像素相机看清轮廓就够了，再高反而把表面氧化皮纹理拍出来形成干扰。关键是空间分辨率（像素/毫米）要匹配最小缺陷尺寸，一般经验是，缺陷至少占3-5个像素才能稳定检出。别盲目追参数，真金白银要花在刀刃上。
落地的鬼门关：人不靠谱，一切白搭
如果说技术占三成，那“人”的因素至少占七成。我特别烦一种客户，前期需求沟通时拍胸脯说工况很稳定，等设备进场，才发现产品批次一致性像过山车，前道工序的定位误差能飘出几个毫米——视觉最怕这个，因为拍摄位置一变，所有预设的检测区域全跑偏。
更可怕的是一线操作者。我们曾在一家汽配厂部署了套齿轮外观检测系统，交付时培训得好好的。半年后回访，发现相机防尘罩没了，镜头糊满油污，他们用抹布擦镜头…… 那是我第一次当着客户面骂脏话。后来我们在设备上加装了自动清洁和防拆报警，又强制写入每日点检表，情况才好转。所以，视觉检测绝不是交钥匙工程，持续的过程管控和人员习惯养成，比算法迭代更紧迫。
问：我们工厂想上视觉检测，该从哪类产品入手风险最小？
答：千万别一上来就挑战高难度，比如透明件、高反光曲面、随机纹理缺陷。先从特征明确、背景单一、来料一致性好的产品开始，例如印刷字符识别、螺丝有无检测、工件方向判断。这些场景技术成熟，硬件成本低，能让团队快速建立信心，摸清视觉系统的脾气。等积累经验后，再啃硬骨头。还有，一定要找做过同类产品案例的集成商，别信那些“啥都能检”的PPT公司。
最后的倔强：让视觉回归“眼睛”的本分
有时候我会想，是不是我们把这行搞得太玄乎了？视觉检测的本质，无非是代替人眼做高速、重复、客观的定量判断。它替代不了人类大脑的模糊推理，也不该被神化为“智能”。每个项目的核心问题永远是：工艺波动到底能不能控制？缺陷的物理特征能否被稳定激发并捕捉？上线后谁负责维护？
啰嗦这么多，其实就想说点大实话。工业视觉这条路，有金子，但更多是砂石。别光看展会上那些光鲜的demo，多去车间闻闻切削液的味道，听听电磁阀的啸叫，看看凌晨三点操作工那疲惫的眼神——那才是它真实的战场。而我们这些搞技术的人，能做的，就是让这双“眼睛”少犯点傻，多扛点事。