干了二十年质检，眼睛都快废了。 每天盯着流水线上的零件，白光灯照得人发晕，一天下来看什么都带重影。 说实话，人工目检的漏检率高得离谱——尤其是凌晨三四点，瞌睡虫上来，能检出70%的缺陷就算烧高香了。 可客户那边呢？动不动就几十万的索赔单子拍过来，老板脸色比铁锈还难看。
这不，前年我们厂终于咬咬牙上了套机器视觉缺陷检测系统。 起初我还不服气，觉得冷冰冰的相机哪有人眼经验丰富？ 结果呢——啪啪打脸。 那玩意儿不仅把划痕、凹坑、毛刺抓得死死的，连0.1mm的裂纹都不放过，速度还是人工的五倍。 真是又爱又恨！
选型踩过的坑，血泪教训！
别以为买套设备就万事大吉。 我们一开始选的CMOS相机，分辨率吹得天花乱坠，结果在振动环境下成像糊得跟印象派油画似的。 后来才明白，工业现场不是实验室——油污、粉尘、杂散光，随便哪样都能让算法抓瞎。 💡 光源方案我们换了七八种，从环形光到同轴光，最后用低角度条形光才把细微划痕打亮。 唉，说起来都是泪。
还有软件。 销售人员嘴里的“AI一键部署”就是个笑话。 最初三个月，误判率高到操作工直接把报警忽略了——真正有缺陷的被当垃圾放走，没缺陷的却堆满了不良品区。 后来我们找厂家联合调试，把深度学习模型用自己产线的几万张瑕疵样本重新训练，这才勉强压住误杀率。 😤 那段时间，每天蹲在车间调参，瘦了十斤。
问：传统涡流检测和机器视觉，到底哪个靠谱？
答： 看场景！ 涡流对近表面裂纹敏感，尤其适合导电材料，但不直观，调试复杂。 视觉呢，像人的眼睛，表面缺陷一览无余，还能自动分类。 我们轴承线是两者混用的：视觉先筛外观，涡流再扫内部裂纹——双保险。 不过你要是做塑料件，涡流就歇菜了，老老实实上红外热成像或者激光轮廓扫描。
问：小厂预算紧，怎么搞自动缺陷检测？
答： 别一上来就奔着进口线扫相机去，大几百万的投资谁受得了？ 我们分步走：先在最要命的工位用国产智能相机，几千块带简单算法。 然后买工业平板灯，再配个二手PLC触发拍照——整套下来不到两万。 虽然不如高端系统稳定，但把致命缺陷截住就值回票价。 等回收成本了，再慢慢升级。 记住，实用主义才是中小企业的生存之道。
深度学习来了，但别神化它
现在“AI缺陷检测”炒得火热，好像是个摄像头就能化身质检大师。 扯淡。 我们试过某知名开源模型，在实验室精度99%，一上线就跪——因为实际产品表面总有清洗剂残留，模型全当异常报了。 ✅ 关键还得靠数据增强：翻转、加噪、模拟各种污渍，把训练集扩展到几十万张，才把鲁棒性搞上去。 另外，小样本学习也是个妙招，尤其对于非常见缺陷，收集不到几百张图，就可以用GAN生成些“伪缺陷”来训练。 但话又说回来，GAN生成的图像总觉得有点假，边缘过渡不自然，骗骗模型还行，骗不过老质检的眼。
说起来，去年一个铸件项目差点把我逼疯。 气孔缺陷形状千奇百怪，有些在内部，X光片都难以分辨。 我们结合了3D结构光和深度学习，把点云数据扔进PointNet变体网络里，总算把内部缩松查出来了。 那一刻的成就感，比涨工资还爽！ 不过设备投资也够心疼的，整条线下来两百多万，老板念叨了半年。
现在回头看看，缺陷检测这行当，真不是买台设备就能交钥匙的。 它是个系统工程：工艺、光学、算法、机械结构，缺一不可。 而且现场操作人员必须参与，他们知道哪个角度最容易看清瑕疵，哪个环节最可能漏检——这些经验，书本上可没有。 最后吼一嗓子：别再迷信全自动了，人机协同才是现阶段的最优解！