上周去东莞一家连接器厂，老板拉着我大倒苦水——花三十万上了一套机器视觉检测，结果误报率飙到15%，产线工人天天跟品管吵架。他指着屏幕上一排排红框吼我：“这不就是电子放大镜吗？还智能呢！”
我没吭声，调出后台的误检图片。好家伙，所有NG的全是同一批次，塑料件边缘带一点点飞边，肉眼根本看不出来。但打光用的红色环形灯，硬是把这些飞边照得张牙舞爪。我转头跟老板说：这不是产品的问题，是你的光在骗相机。
很多人对机器视觉的认知，还停留在“高清摄像头+电脑”的层面。说实话，这玩意儿远比想象中脆弱。一个车间的震动、日光灯管的老化、甚至工人袖口的反光，都能让一套几十万的系统直接智商掉线。
相机不是眼睛，它是个“偏执狂”
人的视觉有强大的脑补能力。你看一个人脸，哪怕半张脸在阴影里，也能认出来。但工业相机不行——它像素级较真。0.02毫米的划痕，如果对比度不够，照样给你放过去。
选相机，别只看分辨率。我在一个锂电涂布项目上踩过坑：500万像素，帧率跟不上，产线速度一快，图像拖影糊成一片。最后换成全局快门CMOS，帧率提到120fps，才算勉强过关。这里有个血泪教训：先算清楚被测物的运动速度，再决定快门类型和帧率，否则标定的时候等着哭吧。
光源这块就更玄学了。红色光对金属表面好使，蓝色光对付透明包装袋有奇效，紫外光能激发出某些胶水的荧光…但有时候你理论算得再准，上机一试，完全不是那么回事。真应了那句话：视觉工程师的终极归宿是光学实验室。
问：机器视觉是不是随便买个智能相机就能用？
答：想得美！那种千元级的智能相机，也就读个二维码、测个有无还行。一旦涉及尺寸测量，尤其是精度要求0.01mm以下的，你得上远心镜头，得标定，得把畸变、温度补偿全考虑进去。更别说现在动不动就上深度学习，那硬件成本——GPU都得专卡专用，否则训练速度让你怀疑人生。随便买？那是给集成商送钱。
算法不是万能药，脏活累活才是核心
这两年深度学习大火，什么缺陷检测都往里套。我见过最离谱的：一个手机盖板玻璃的脏污检测，硬是用ResNet训了几个月，结果连水渍和灰尘都分不清。为什么？因为训练数据里压根没考虑洁净度这个变量。
传统算法就没用了吗？还真不是。去年搞一个刹车片字符识别，OCR库加规则滤波，三天搞定，稳定性99.5%。后来客户非要上深度学习，说是技术趋势，结果因为字符是压印的，深浅不一，样本量又少，最后还不是乖乖换回传统方法。
真正的难点，从来不在算法本身。在于你怎么把现场千奇百怪的干扰因素都转化成代码——振动、油污、环境光变化、产品批次差异。这些才是吃经验的地方。有时候为了一个阈值，能在产线边蹲一整天，看着屏幕上的直方图一根根地跳，那滋味…
问：现在很多公司都在推“零代码”视觉平台，靠谱吗？
答：分情况。如果就是简单的有无检测、定位引导，拖拽几个工具块确实快，省时间。但遇到复杂缺陷，尤其是那种连人都不好定义的（比如“轻微色差”“不规则纹理”），零代码平台就成了绣花枕头。说到底，它只把流程简化了，没把判断的智慧简化掉。你总得有人懂成像原理、懂打光、懂算法特性，不然调出来的系统就是玄学。
落地案例：一个螺丝的“生死判决”
给一家汽车零部件厂做螺丝全检，要求螺纹顶部无毛刺，次品率控制到50 PPM以下。难点在于：螺丝是镀锌的，反光鬼畜；产线振动幅度2mm，相机也跟着抖。
我们最后用了一个“傻办法”：在螺丝正上方和侧面各装一个低角度蓝色条形光，然后让螺丝在旋转平台上转360度，相机高速连拍10张。用简单的差分算法，把相邻两帧的螺纹边缘差异提取出来，超过一定像素跳变就判NG。没用任何花里胡哨的AI，但效果出奇地好，误判率千分之三。
这个项目给我最大的感受是：很多缺陷，你把光和角度伺候好了，它自己就蹦出来了。真别啥都扔给神经网络，那是在逃避工程责任。
当然，3D视觉应用越来越广。搞无序抓取的，用结构光或ToF相机，配合点云匹配。但标定繁琐的让人头大，机械手坐标系和视觉坐标系的转换，有时候偏移几个毫米，抓取就成气爪空舞。上个月有个做物流分拣的客户，因为现场阳光直射，ToF相机疯狂丢数据，后来还是老老实实装遮光帘。
说到底，机器视觉这东西，它是工具，不是魔法。用好了，产线效率翻倍；用不好，就是一堆昂贵的废铁加吵架的导火索。下次再有人跟你吹他们的视觉方案多智能，你就问他一句：你们的光源方案改了几版？