说实话，干了这么多年机械设计，以前听到“AI质检”总觉得是IT圈的事。直到去年接手一条产线，被几个外观缺陷搞得焦头烂额——划痕、凹坑、脏污，人工目检漏检率居高不下，客户投诉一封接一封。那时候才真正意识到，这玩意儿不是玩概念，是能救命的。
今天不聊虚的，直接讲怎么把AI外观缺陷检测落到实际产线上。你可能已经看过无数篇讲原理的文章，但真正的坑，往往在细节里。
一、别急着上算法，先把成像搞定
很多人一上来就调模型、训数据，结果效果烂得一塌糊涂。我跟你讲，90%的缺陷检测问题都出在成像上，而不是算法。
去年我们做一个手机中框的检测项目，表面是阳极氧化铝，轻微划痕在常规光源下根本看不出来。后来换成了暗场照明——低角度环形光，让光线贴着表面掠射，划痕的散射光才能被相机捕捉到。就这么一个改动，检出率直接从67%干到96%。
所以，第一步，先搞清楚你的缺陷是什么物理特性。是反光的？还是吸收光的？是三维形变还是颜色差异？
选相机也不简单。面阵还是线阵？分辨率要多少？我们算一下：假设产品宽度200mm，要检测0.1mm的缺陷，至少需要2000像素——实际上你还要考虑鲁棒性，建议缺陷尺寸占3~5个像素，所以至少得5000像素宽的相机。别省这个钱，后期返工更贵。
还有镜头。畸变是个大坑，尤其是广角。记得用远心镜头或者做畸变标定——不然你的坐标定位会偏，缺陷位置报不准，后端的机械臂根本没法跟。
嗯，说到标定，不得不吐槽一下。很多人买来设备就急着跑，连一个基本的标定都不做。结果缺陷位置误差几毫米，复检机制直接失效。我的建议是，至少每周做一次畸变和光度标定，尤其是现场振动大的环境。
二、算法选型：传统视觉 vs 深度学习？
别整天“深度学习yyds”。我见过太多项目，用传统算法几毫秒就能搞定，非要去跑神经网络，把整个工站的节拍拖死。
给大家一个参考：如果你的缺陷是稳定的、可量化的——比如固定的划痕方向、固定的黑点大小，用传统视觉（halcon、opencv）就够了。滤波、阈值分割、形态学，一套下来又快又稳，而且不需要打标数据。
但如果是纹理表面、缺陷形态千变万化，比如布匹的毛刺、皮革的痘痘，那没办法，得上深度学习。我们之前做过一个铸件气孔检测项目，气孔形状不规则，灰度对比度极低，传统算法根本分不清气孔和正常组织。后来用了U-Net做语义分割，把像素级缺陷标出来，才算解决。
不过说真的，深度学习不是万能药。训练数据得几百张甚至上千张，而且缺陷样本特别难收集——产线平时良品率97%，哪来那么多缺陷？我们当时用了一个土办法：人为制造缺陷。拿针戳、拿砂纸磨，甚至用PS在图像上合成缺陷。数据标注更是磨人，两个工程师标了整整两周。你得盯着每一张图，把缺陷边缘勾出来，真的眼都快瞎了。
网络结构方面，如果你不是搞算法研究的，别自己造轮子。用现成的ResNet、EfficientNet做分类，或用YOLO做检测就够了。关键是调参——学习率、batch size、数据增强策略，这些才是真正影响效果的地方。我们当时试过在YOLOv5上增加一个注意力模块，确实提升了2%的召回，但推理时间也涨了30%。这个权衡看你自己的节拍要求。
三、工程化落地：那些没人告诉你的细节
算法在实验室跑得好好的，一上产线就拉胯，这种案例还少吗？
首先是环境光干扰。车间里的自然光、旁边工位的照明灯，都会让你的成像不稳定。最有效的办法——加个遮光罩，物理屏蔽。别嫌丑，管用。
然后是振动。产线上设备一启动，整个工作台都在抖。相机架和产线之间一定要加隔振垫，或者干脆把相机装在独立支架上。我们有一个项目，就是因为没考虑振动，图像边缘一直发虚，换了N种算法都救不回来，最后发现是固定相机的螺丝松了半圈……
还别忘了通讯协议。检测结果得发给PLC或者机械臂，是走Ethernet/IP还是Profinet？丢包怎么办？建议采用“结果缓存+重传机制”，不然偶尔丢一次信号，你的分拣机构就可能把良品打进废料箱。
更重要的是，你的检测系统得能“自解释”。产线工人不懂深度学习，当屏幕上红色框框出现的时候，他得能明白为什么会被判NG。所以你要输出缺陷的位置、类别、置信度，甚至缺陷图像裁剪。这样才能赢得现场人员的信任。说实话，很多AI项目死在“黑箱”上——工人不信任你，偷偷调阈值，最后还是靠人工。
四、一个真实的案例：从95%到99.5%的折磨
去年做的一个汽车密封圈外观检测项目，要求检测毛边、缺胶和杂质。初始系统检出率95%，听起来还行吧？但客户要求是99.5%，否则就不付款。
这0.5个百分点，差点把我们逼疯。
翻来覆去加样本、调参数，效果一直卡在98%左右。后来发现，问题不在算法，而在产线的来料一致性——密封圈在注塑机上脱模位置有偏移，导致每颗料的光照角度都差那么一点。我们的成像系统是固定光源，这哪受得了？
最后解决办法是：加一个机械定位结构，把密封圈每次压到一个固定的夹具里，再拍照。就这么一个机械小改动，检出率直接飙到99.7%。你看，搞来搞去，问题还是出在机械上——咱们工程师的价值就在这儿。
五、验收标准和避坑指南
说到验收，一定要把指标定义清楚。有误检率（False Positive）和漏检率（False Negative）——通常在制造业，漏检比误检更致命。客户会跟你抠这几个数字的定义，别含糊。
还有，测试集怎么来？不能只用厂里那几条道。建议从不同生产批次、不同设备、不同操作工生产的样品中抽取，还要模拟不同季节的光照和温湿度。我们当时吃过亏，夏天车间温度35度，相机热噪声大，图像噪点增多，误检率翻倍。后来加了风扇和水冷板才好。
对了，别忘了考虑算法推理时间。如果你的产线节拍是2秒一个，那么从图像采集到输出结果，必须在1.5秒内完成。这里还包括了图像传输、预处理、推理和结果通讯。用GPU？差点忘了说，工控机的GPU一定要选工业级，别贪便宜用游戏卡——之前有人工控机在40度环境下烧了。
……好了，越写越多，先说这些吧。其实AI外观检测没有你想的那么神秘，也没有那么万能。它是一套系统工程，算法、光学、机械、电气，哪一块缺了都不行。如果你正在上这个项目，给你一条忠告：先把成像和机械结构搞稳定，再谈AI。不然，就算你训练出100%的模型，那也是沙滩上盖房。
下次有机会，再聊一聊数据标注的那些奇葩事。回见！
