💡 理想很丰满：实验室里的完美精度
前年接了个汽车零部件的项目，客户要求表面缺陷检出率99.9%。我说小意思，实验室拿样品一测，99.95%！——老板差点当场给我发奖金。结果呢？产线跑了半天，良率直接掉到百分之八十，一堆过杀。我站那儿看传送带，一个劲儿冒冷汗。
问题出在哪？环境光污染、工件振动、油污粉尘，这些实验室里永远不会出现的东西，在车间跟家常便饭一样。有意思的是，大部分视觉公司的销售都不提这茬。他们跟你吹嘘相机分辨率、GPU算力，就跟卖减肥药光说能月瘦二十斤，闭口不谈拉肚子似的。
❗ 现实很骨感：产线上的五大翻车现场
我总结了一下，搞工业检测最常栽的五个坑： – 打光方案纸上谈兵：实验室用环形光拍得漂漂亮亮，产线上工件稍微有油膜，反光一塌糊涂。后来我发现，用低角度线扫光配合偏振片，像给相机戴了副偏光太阳镜，那些烦人的反光斑点立刻消失。 – 机械定位精度拉胯：视觉系统号称微米级，结果装在产线上，机器人一抖动，图像模糊得连形状都认不出。你说怪谁？ – 样品只代表“完美世界”：很多时候拿到的样品都是精挑细选的，真正量产时的缺陷形态，你压根没见过。 – 软件设置过于死板：阈值卡得太紧，生产环境一有波动就误报；卡松了吧，漏检又让人崩溃。 – 忽略操作人员的习惯：产线大哥才不管你什么深度学习，他只关心换个产品是不是还得调半小时参数。
说实话，这些坑我基本全踩过。最惨一次，调试了三个月的系统，上线两天就要求退货——因为车间温度高了五度，相机开始温漂，尺寸测量全飘了。🤬
✅ 破局之道：从打光到算法，这些细节救了我
这几年被市场教育后，我摸索出一套野路子，也许不完美，但管用。 首先，打光才是灵魂。别总想着买最贵的相机，你先搞清楚缺陷的物理特性。划痕有方向性？用多角度分区光源；透明材质？背光加漫射板是王道。我甚至用过超市买的LED灯带，临时搭出效果吊打进口光源的案例。 其次，把机械工装当亲兄弟。视觉必须和机械设计同步介入，固定相机的支架刚度、减震机构，这些是精密检测的基石。记得有一次，我们在传送带两侧加了简易的柔性导向轮，图像抖动直接减少80%。 算法上，别迷信黑盒AI。传统图像处理加浅层学习，在很多场景下比深度学习更可靠，而且容易调试。真要上深度学习，必须准备足够多的产线真实样本，用数据增强模拟脏污、光照变化、位置偏移。我现在的习惯是：先上传统算法搭个框架，再让神经网络去啃那些难区分的硬骨头，混合架构稳定性好得多。 问：为什么我买了高分辨率相机，检测效果还是不行？ 答：这就像拍照追求一亿像素，却忘了对焦和光线。工业检测里，空间分辨率和对比度分辨率是两码事。你高像素确实能看清微小细节，但如果缺陷和背景的灰度差只有几个等级，再高的像素也分辨不出。建议先优化打光，把特征突出来，然后根据视野和精度反推所需像素，往往500万像素能做好的事，你上2500万只是徒增成本和处理时间。 问：深度学习模型上线后，误检率反而高了，怎么办？ 答：太正常了，我称之为“实验室模型的水土不服”。首先，检查训练集和产线数据的分布差异，可能产线有新的变化你未覆盖。快速做法：从产线捞一批近期误检的图像，重新标注加入训练。其次，调整模型的置信度阈值，但别动太多。最根本的是引入在线学习机制，让模型随着生产慢慢进化。另外，注意图像的预处理是否一致，很多时候是白平衡或伽马值的微小差异导致模型崩溃。 问：小批量多品种的生产模式，怎么搞视觉检测？ 答：这种场景最烦人，换型频繁。我的经验是模块化设计。硬件上，把光源、镜头、相机组装在快换板上；软件上，做成配方管理，操作工选型号就能自动切换参数。算法层面，多用无监督或半监督的异常检测，减少对新品种缺陷样本的依赖。虽然前期投入高，但长远看能省下大量调试时间。