说实话，传统人工目检的漏检率，高得离谱。根据我这些年跑工厂的经验，稍微复杂点的产品，人工检出率能稳定在90%以上就烧高香了。注意，这还得是熟练工，状态好的时候。更别提什么疲劳、情绪、夜班了。
怎么办？机器视觉。但一说这四个字，很多人就以为是装个摄像头拍张照，然后软件判断OK/NG。天真了。那种办方案，五年前可能还行，现在？缺陷种类一多，背景一乱，直接崩给你看。
漏检？你用的方法可能早就过时了
前阵子去苏南一家汽配厂，他们用传统视觉软件检测活塞表面的砂眼。参数调了三个月，误报率还是居高不下。最后咋弄的？加了两个人，在机器后面复检。简直黑色幽默。
传统算法依赖什么？边缘提取、阈值分割、模板匹配。说白了，就是教计算机“如果灰度值突然变化，那里可能有缺陷”。但真实生产环境多复杂啊——油污、反光、切削纹路……这些干扰项一出现，算法立马犯蠢。要么狂报警，要么漏过去。
更要命的是，一旦产品换了型号，或者环境光变了，又得重新调参。这叫什么检测？这叫调音师。
我见过最夸张的一次，一个做玻璃瓶的车间，因为检验机误判太多，操作工直接把报警喇叭拔了。最后几万个瓶子里混了带裂纹的，流到灌装线才发现——整个产线停了两天清理碎玻璃。
所以，别再迷信那种“上套相机就搞定”的鬼话了。缺陷检测这玩意儿，水比你想的深得多。
从“看个大概”到像素级较真
转折点是什么？深度学习。注意，我这里说的不是那种在PPT里跑的模型，而是真能部署在产线的方案。
大概四年前，我第一次看到用卷积神经网络(CNN)做布匹瑕疵检测，心里只有两个字：卧槽。它能自己学特征。弯弯曲曲的纹理、不规则的污渍、比头发丝还细的断经……这些靠规则写不出来的缺陷，模型居然能稳定抓出来。
但这玩意儿不是买来就能用的。得喂数据，大量数据。问：
问：用深度学习做缺陷检测，需要准备多少张缺陷图片？
答：这问题我被人问了不下五十次。答案永远是：看情况。如果你缺陷种类就两三种，背景简单，几百张可能够。但如果像刚才说的汽配活塞，表面纹路复杂，缺陷形态多变，那至少得两三千张，还得做数据扩增。而且要均衡，不能一种缺陷两百张，另一种就两张——模型会直接忽视稀缺陷样，那时候漏检更可怕。❗
除了数据，标注也是个大坑。人标得太粗糙，模型学到的东西就糙；标得太细，成本爆炸。我们后来搞了一套半自动标注工具，结合传统算法预筛，再让人工修正，效率才提上来。
不过话说回来，深度学习在缺陷检测上最让我服气的是什么？鲁棒性。光照变化、零件轻微位移、背景里有些杂七杂八……传统算法就傻了，但训练好的CNN模型，注意，是训练得足够聪明的那种，它能适应。就像人认字，潦草点儿你也能看懂，对吧？
去年帮一家连接器厂上线了深度学习外观检测系统，误报率从之前的15%直接降到2%以下，漏检率几乎为零。老板激动得半夜给我发消息，感叹号用了十几个。但我知道，这背后是前期抓数据、标数据、调参调到头秃的三个月。
还有一点特别重要：不要光盯着算法，成像系统才是根基。光源、镜头、相机，这三样没配好，神仙算法也白搭。我见过太多项目，花大价钱买AI软件，结果照明随便一搭，关键缺陷根本看不清。缺陷检测，首先是“看清”，然后才是“看懂”。
问：
问：引入AI检测，会不会拖慢生产节拍？我们一条线每秒出三个件。
答：这个担心很现实。早期深度学习模型确实慢，但现在硬件加速加上模型轻量化，推理时间做到几十毫秒不是问题。我们部署过最快的一个案例，从拍照到出结果18毫秒，完全跟得上600件/分钟的产线。关键是要选对硬件——GPU、FPGA、还是专用的AI视觉芯片，得根据节拍和算法复杂度来定。当然，如果你非要在一张N年前的低端嵌入式板子上跑ResNet-152，那神仙也救不了。💡
别被“智能”忽悠了，选型看这几条
现在市场上做缺陷检测的厂商，十个里面有八个号称用了AI。水深得很。我就说几个血泪教训换来的选型原则：
1. 看案例，别听PPT。 直接问他：在你的设备上，我这个具体缺陷，检出率多少？误报率多少？最好拿实物去测。而且要测够量，别拿十来个样件就下结论——那是碰运气。
2. 弄清楚数据所有权。 有些方案用的是云端训练，你的产品图像得传到他们服务器上。不是说这样不行，但涉及商业机密的话，就得掂量。最好能够本地训练、本地部署。✅
3. 关注长期维护。 产线会变，新产品、新缺陷冒出来，你能不能自己加数据迭代模型？还是必须找原厂，交钱再升级？如果每次换新件都像被绑架，那成本就没底了。
4. 成像测试是必须环节。 没拿你的真实工件，在现场光环境下打过样的一切方案，都是耍流氓。记住，“在实验室测得好好的”这句话，听听就好——实验室里可没有振动、油雾和电磁干扰。
说实话，刚入行那几年我也迷信技术名词。后来慢慢发现，缺陷检测这行，最重要的不是算法多前沿，而是你对产线、对产品、对缺陷本身理解有多深。有些经验丰富的老师傅，一眼就能指出哪个角度打光最能暴露裂纹——这本事，代码替代不了。
但也不能只靠老师傅。他们老了，眼睛花了，年轻人又不爱干质检。所以，最聪明的做法是：把老师傅的知识，转成数据，喂给机器。然后机器不知疲倦、不分昼夜地守护产线。这才是缺陷检测的终极出路。
最后啰嗦一句：千万不要等到客户大规模退货才想起来升级检测手段。那个时候，代价就不仅是钱的事儿了——牌子砸了，再想树起来，难。