你可能不信，我干了十五年质检，最怕听到的就是‘外观检测’这四个字。真的，不是矫情。你以为就是看一眼？呵，里面的门道深了去了。有时候一个件，看着光滑得能当镜子，一打光——密密麻麻的划痕，心都凉半截。
人工检测：累眼更累心
刚入行那会儿，师傅教我的第一件事不是看图纸，是‘坐得住’。车间里一张凳子，一盏日光灯，一天几千个件，翻来覆去地看。磕碰、毛刺、缩水、色差……还得拿卡尺量。说起来都是泪。❗ 效率？勉强跟得上产线节拍。但谁难受谁知道：我身边的老质检，十个有八个颈椎有毛病，视力掉得比高考生还快。更别提情绪了——跟老婆吵完架，漏检率直线飙升。人不是机器，对吧？还真有厂家拿我们当机器使，觉得眼睛不会累似的。
但人工也有机器比不了的地方。有些缺陷，比如隐性裂纹、特定角度的光泽不均，机器抓瞎，老师傅手一摸、侧光一照，立马现形。这靠的是经验——说白了，是直觉。AI现在还没法解释直觉。
机器视觉：理想挺丰满
差不多十年前，厂里引进了第一台自动外观检测机。德国货，贵得肉疼，但老板拍胸脯说马上就能把质检员都裁了。结果呢？验收那天就翻了车。相机和光源调了三天，参数上百组，愣是把正常纹理判成划痕，把真正的崩边漏了过去。最后方案是——机器初筛，人工复检。裁人？还得招人专门伺候这机器。
说实话，机器视觉的坑，80%在打光和成像。不锈钢件反光、透明件透射、曲面高低差，每换一款产品就是一次折腾。有时候看着那台价值百万的设备，被车间主任拿黑胶带贴遮光罩，憋屈又好笑。不过话又说回来，一致性上机器确实碾压人类——它不会累，不会情绪化，标准定死了一视同仁。尤其对尺寸测量、明显缺料这些硬伤，效率高得没话说。
深度学习：是灵丹还是鸡肋？
2019年，AI风刮到了厂里。技术方说，用深度学习模型，甭管什么奇葩缺陷，样本够多就能学。试了一下，确实惊艳：布匹上的微小破洞、PCB板的细微短路，之前要设几十条规则，现在模型自己就能找出来。那一刻我真觉得，自己快失业了。
然而现实又给了一巴掌。模型上线不到一个月，良品误判率飙到12%——产线差点瘫痪。查下来哭笑不得：新来的批次原料有轻微色差，人眼几乎无法分辨，但AI没见过，直接判定外观异常。想升级模型？得重新采集几百张图、标注、训练，周期两周。而且，缺陷种类是无穷尽的，标注员看着千奇百怪的纹路也迷茫：到底算不算缺陷？很多时候，根本是‘像缺陷但不是’。
⚠️ 一些厂被忽悠，砸重金搞AI外观检测，最后发现还不如雇两个细心的大姐。不是技术不行，是忽略了一个根本：生产环境是动态的，材料、工艺、批次都在变。机器学习模型不怕算，怕变。一旦变化超出训练分布，它立马就懵了。而人，会适应。
实操问答：外观检测的困惑
问：外观检测用机器视觉是不是比人眼准？
答：不一定，看场景。对定尺寸、定位置的规则缺陷，比如多余物、少料，机器检测的重复性和精度确实高于人眼。但碰到曲面反光、半透明材质、或者定义模糊的‘色差’‘手感不良’，机器就抓瞎。人眼的动态范围和立体感，至今仍是机器难以匹敌的。一个折中的办法是：机器负责客观缺陷，人负责主观缺陷——但管理成本就上去了。
问：深度学习能搞定所有外观缺陷吗？
答：想得美。听我一句劝，凡是跟你说‘AI万能’的，不是外行就是骗子。深度学习特别擅长复杂纹理背景下的异常检测，比如布匹、皮革、玻璃。但前提是：缺陷类型集中在训练样本里，且环境恒定。我们车间一次灯光换新，亮度差了一档，模型直接‘瞎’了。说白了，你要养一个AI，得配一个懂数据、懂工艺的团队持续伺候它。划算吗？有些厂很值，有些真不如人工。
现实生存指南
干这行这么久，我总结出几条血泪经验：
- 不要听信任何‘一键检测’的宣传。所有好用的外观检测系统，都是花几个月现场调试磨出来的。
- 能简化的工序先简化。比如来料一致性，给检测创造稳定条件，比后面死磕算法有效十倍。
- ⚠️ 警惕‘零误报’承诺。零误报往往意味着高漏杀，无异于给客户埋雷。
- 人与机器搭配，是最顽强的模式。让机器做枯燥、高速的部分，让人做需要判断的部分——尽管听起来不酷，但有效。
话说回来，我对技术依旧乐观。这几年边缘计算、小样本学习进步很快，说不定哪天真能让机器学会‘看一眼就明白’。但至少今天，外观检测还是一门手艺活，夹杂着光影的艺术、工艺的理解，和一点点的运气。✅
最后一句大实话：如果你要上外观检测自动化，先别急着买设备，先把你们厂最厉害的质检师傅请到会议室，听他吐槽一小时。比什么方案都值。💡