先说个现场的事。产线上那个老掉牙的传感器，又tm误报。良品被当成缺陷品，停机灯一亮，整个班组的人都得翻白眼。当时我就蹲在传送带边上，看着那堆被踢出来的“废品”，心里想：机器视觉要是只做到这一步，还不如人工目检。但问题是，人工也有疲劳，漏检率也下不去。后来我们上了个复判系统——这才算摸着门道。
所谓复判，不是简单的二次拍照，而是用一套**智能机器视觉复判检测算法系统**，去解决初检环节的“过杀”。你想啊，初检为了不漏，阈值往往压得很低，结果一堆伪缺陷。复判的目的，就是把这些伪缺陷捞回来。
一、复判系统的核心逻辑：多级决策，别让单个模型背锅
我们最初也迷信一个万能模型。深度学习嘛，分类器一扔，准确率95%。可实际产线上，光照一变，准确率掉到90%，误检率反而飙了。后来把方案改成级联结构——第一级跑轻量级快速筛选，第二级做精细分割，第三级才上决策分类。每一级都拿置信度说话，别急着下结论。
这里的关键点在于：**复判不是重新识别，而是证据融合**。初检框出来的那个区域，我们不光看它本身，还得看它的上下文。比如“疑似划痕”这个定义，在铸件毛坯上可能只是正常纹理，但到了精加工表面，就是致命伤。所以算法里要有“工艺路线上下文特征”参与判断。我当时给算法工程师解释这个需求，他差点掀桌子——但做出来之后，误报率直接砍半。
二、算法选型里的那些坑：参数与标准的妥协
别一上来就整Transformer。我们实际测试过，在嵌入式设备上，YOLOv8n跑起来也就20fps，但那个精度对复判场景来说，说实话，有点欠。后来用了更朴素的**多尺度模板匹配 + 局部特征直方图**做初筛，深度学习只处理那些“模棱两可”的区域。算力省了，效果反而稳。
讲个具体的参数设置。判断一个点到底是脏污还是磕碰，我们用了**基于灰度梯度的非局部均值滤波**，然后计算区域纹理熵。阈值怎么定？别拍脑袋——我们收集了三个月的历史误检样本，标定后得出一个经验区间：熵值在0.72到0.83之间，才需要启动高层分类器。低于0.72，直接判合格；高于0.83，判缺陷。只有一个窄带区域需要“深思熟虑”。
这里得提一下标准。机械加工表面的检测，参考ISO 8785表面缺陷评定，但那是人工目检的标准，机器视觉不能直接抄。我们行业内自己定了个内部规范：对缺陷的分级，要考虑缺陷的**可修复性**和**使用强度**。比如毛刺高度在0.05mm以内，不影响装配，就放过去；超过0.1mm，必须抠出来。这个阈值，是在跟质量部吵了无数个来回之后才达成的。
三、工程落地：光有好算法不够，还得伺候好现场
算法模型再准，相机没固定好，一切都白搭。我们当时就栽过跟头——给视觉系统装了个减震器，结果产线振动频率跟减震器的固频耦合了，图像抖得跟帕金森似的。后来用光学平台来安装，又加了同步频闪光源，才稳住。
还有通讯协议。复判结果要回传给PLC，你直接用TCP/IP裸传？一旦网络阻塞，线体直接停了。我们后来用Profinet IRT，125微秒同步周期，但调试时发现，算法处理时间必须在48毫秒内完成，否则时序就崩了。每一次视觉处理，都像在刀尖上跳舞。
说到踩坑，最隐蔽的坑是**图像退化**。光源衰减，镜面水雾，甚至灰尘粒子，都会让同一工件在不同时段成像不一致。于是我们强制加了一条：每次开机先跑标准样块的校验程序，比对特征点漂移，误差超过0.3个像素就报警。这个习惯，救了我们无数次。
四、关于“智能”二字的反思
我见过太多号称“智能”的系统，实际上就是一堆规则堆砌。真正的智能，应该知道什么时候该“放弃”。我们最后在算法里加了一个“不确定区”的输出——当置信度落在0.45到0.55之间，系统不会硬判，而是打出“人工复核”信号。那一刻才感觉到，这系统有点脑子的。
但话说回来，别把复判系统当万能药。它不能改变物理本质——你是冲压件，毛刺就是多；你是铸造件，气孔就是跑不掉。复判能做的，只是把“确属合格但被误杀”的捞回来。真正有效的，还是上游工艺的稳定。所以如果你问我要不要上这个系统，我会说：先解决工艺问题，再考虑视觉复判。
最后总结一句——嗯，其实也不算总结，就个感受：**好的复判算法，不是模型的堆砌，而是对“瑕疵”的哲学理解。** 缺陷与特征的边界，有时候连人都说不清，算法能给你一个概率，已经很了不起了。我们还在迭代，在迭代的路上，一直在被现实打脸，但也一直在进步。
