摘要：智能机器视觉复判检测系统，核心解决初检过杀问题。本文从光学架构、算法选型和工程落地三个层面，记录一次真实产线改造的得与失。放心，没有空话。
质检线最怕的不是漏检，是错杀。真的，我见过太多车间因为误检率高，导致良品被当废品处理。去年给一家铝轮毂厂调试，一条线每天过杀300多个轮毂，看着堆成山的良品被送回熔炉，心里那叫一个滴血。复判检测系统，说白了就是给初检加一个“二审”，把可疑样本捞回来再仔细看看。听起来简单？做起来门道很深。
为什么复判系统不是锦上添花？
先说个数据。某汽车电子公司，一个连接器端子，初检误报率高达12%，就是因为表面有残胶和氧化色差。他们一开始想用算法调阈值，怎么调都压不下去。后来上了独立的复判系统，用更高倍率的镜头和不同角度的光源重新拍一遍，误报率直接降到1.8%。这可不是靠什么“深度学习万能论”，而是光学和算法配合的结果。
复判系统的核心价值，是把初检中的“不确定区”重新采集信息。初检为了赶节拍，相机曝光时间短，光源可能是单色低角度；复判可以慢一点，用多光谱，甚至用微距。条件完全不同，能获得的信息质量也天差地别。就好比初检是保安透过猫眼看了一眼，复判是把可疑的人叫到办公室问话——能一样吗？
所以，如果你的产线上过杀率超过3%，或者误判带来的人工返工成本已经超过设备投入，那复判系统的投资回报率就非常可观了。别等客户投诉了再补课。
系统架构与光学：先让相机看得清
很多人一上来就讨论神经网络，忽略了一个事实：图像质量决定算法上限。复判系统的架构通常是“初检-缓存-复判”三级。初检发现可疑工件，触发分拣机构把它放到缓存工位，同时记录缺陷坐标。复判工位独立于流水线，可灵活调整成像参数。这里有个关键设计：缓存工位必须保证工件姿态的一致性，否则复判时找不到缺陷位置，全白搭。
光学设计优先考虑光源。我见过一个案例，用环形灯低角度照射，表面划痕看得很清楚，但换到另一个角度，同一划痕被高光掩盖了。复判时最好用多角度分时照明（如四个方向依次点亮），再配合偏振光消除反光。对于金属表面，偏振镜头是标配。
至于相机分辨率，要按缺陷最小尺寸的1/3来推算。比如最小划痕宽0.03mm，在视野为20mm的条件下，至少需要2000像素。复判系统可以放慢曝光时间，但快门速度不能低于工件移动速度的1/10，否则拖尾。传感器尺寸和镜头接口也别忘了——C口和F口，光圈大小，这些参数决定了边缘成像质量。
算法选型：传统视觉和深度学习，别偏科
复判算法，我个人的经验是：能先做规则匹配的，就别急着上深度学习。划痕、凹陷、毛刺，这些几何特征用传统图像处理很稳定——找轮廓、算面积、测宽度、比对灰度。深度学习的优势在于纹理类缺陷，比如织物表面的色斑、金属件的复杂氧化斑，传统特征很难定义。
但深度学习有个好，可以融合多帧图像。比如同一个缺陷位置，拍若干张不同焦距的图像，用一个小网络判断是真实的缺陷还是脏污。这时模型输入可以是6张或9张图，输出类别和置信度。训练起来也快，用几百张复判样本够了。不过别贪心，数据量少于500张就老老实实用传统方法。
还有一种折中方案：先用传统算法把缺陷坐标锁定，再切patch给CNN做分类。这样定位准，分类也准，而且计算量小。我在几个项目里都是这么干的，调试周期短，现场也好解释。你说一个工程师连这种“土办法”都不用，怎么面对产线维修工的灵魂拷问？
工程落地——那些教材里不会写的坑
复判系统最容易出问题的不是算法，是“小事”。头号问题就是同步触发。初检机告诉复判机“工件到了”，这个信号如果延迟几毫秒，可能就拍空了。建议用硬件触发，例如光电传感器加PLC硬接线，别走网络协议。
环境光干扰也是老大难。工厂里总有新的设备或窗口引入乱七八糟的光。复判系统在线调试时很正常，过一个月就误判上升了。安装遮光罩是最便宜的方案，另外，保存一副“暗场基准图”用于背景扣除，也能抵消光源衰减。
标定几乎躲不开。相机和机械手的坐标转换，需要用一个高精度标定板（比如Halcon的标准图案），每季度做一次标定抽查。尤其是温度变化大的车间，热胀冷缩会改变安装位置，标定参数全飘了。我们曾经因为空调停了半天，整个系统的坐标偏移了1.2mm，复判时全部指向错误的区域。教训深刻。
还有个事，记录复判历史和人工确认数据。别只输出结果，要把图像、参数、置信度都存下来。这不光是为了追溯，更重要的是用来定期调整复判阈值。我们可以每月复盘一次误判样本，微调模型。别迷信“一次调试终身使用”，那是不可能的。
写在最后
复判检测系统不是简单的“再拍一次”，它是对初检策略的补偿和深化。核心在于光学设计、算法选择、工程稳定性的平衡。说实话，没有哪个工具是万能的，但把复判逻辑想清楚，至少能让你的产线少一点过杀，多一点从容。
