摘要：本文来自实际量产项目的落地经验，针对准备上马AI外观缺陷检测的中级工程师，分享选型、调校、维护环节的真实踩坑经验，跳过书本上的空泛理论，全是能直接用的干货。
从汽车冲压件项目说起：为什么传统检测顶不住了
去年我们接了国内某新势力车企的车门冲压件外检项目，原先客户用的是人工+传统机器视觉阈值分割方案。一天一万件的产能，三班倒要配12个检验工，工人干满三个月，半数都得去眼科开干眼症的药。
真的招不到人。
传统算法更坑，只能对付直径超过2mm的明显凹坑、掉漆，那种冲压过程产生的发丝应力痕，对比度和正常纹理差不到5个灰度值，传统算法要么直接漏过，要么把工件表面的正常油污当成缺陷打回来，误检率最高冲到12%，后端还得再安排一遍人工复核，等于白花钱上设备。
那时候客户才下定决心，换AI外观缺陷检测方案。
核心选型和调校：你绕不开的几个权衡
说实话，刚接触这个方向的时候，我也迷信大模型，觉得参数越大准确率越高。我们当时拿了两个模型对比测试，一个是网上开源的1亿参数通用缺陷检测模型，一个是针对冲压件优化的2000万参数域自适应小模型，测出来的结果打了我一脸。
通用模型的漏检率比小模型高了整整6个百分点。为什么？工业现场的缺陷99%都是长尾分布，一万件里可能才出三五件全新类型的缺陷，大模型见过太多不同行业的杂乱数据，反而过拟合了通用特征，抓不住你自家产品的特定缺陷纹理。
再说硬件选型，很多人上来就要最高分辨率的相机，我们早先也踩过这个坑。为了拍清楚1200mm长的车门冲压件，一开始选了2400万像素的全局快门面阵相机，结果帧率直接掉到3fps，根本跟不上生产线12秒每件的节拍要求，最后换了1200万像素的线阵相机，配合分段曝光，帧率拉到12fps刚好满足要求，整体硬件成本还降了三分之一。
光源的坑，90%的新手都会踩。我见过太多团队，算法工程师调了三个月模型准确率上不去，最后换了个对应打光方式，准确率直接涨了5个点。这里说个铁则：发丝划痕一定要用斜射打光，表面凹坑用环形低角，隐形划痕用同轴落射，别瞎乱用，不对的光源，再牛的AI也救不了。
最后说标注，很多甲方上来就说我标了一万张，够不够？我见过一万张错标漏标的数据，不如两千张标对的好用。我们当时项目里，一开始学生标了1万张，准确率卡在92%死活上不去，后来请车间干了二十年的老检验重新复核，删掉了2000张标错的，准确率直接涨到96.5%。
工业AI的数据，质量永远比数量重要一万倍。对吧？
上线后维护：别以为交差就完事了
不过话说回来，我见过起码一半的AI外观缺陷检测项目，上线第一个月准确率97%，三个月后直接掉到88%，根本没法用。问题出在哪？
工业现场哪有一成不变的？原材料换了钢厂批次，钢板的纹理就变了；喷漆换了油漆供应商，色差就出来了；夏天车间温度高，相机的感光度漂移都会影响成像，模型不更，精度肯定掉。
我们现在做落地项目，都会加一个每周小样本增量更新的流程，不用全量重新训练模型，只更新最后三层特征提取头，普通车间的工控机就能跑，每个周让检验员标10个新出的缺陷丢进去，花十分钟，就能把准确率一直稳在96%以上。
还有误区，很多客户上来就要零误检零漏检，可能吗？真要零漏检，就得把判定阈值调得极低，误检率会冲到5%以上，反而增加人工工作量。我们现在的做法是，优先保证零漏检，接受2%左右的误检，加一个1个人的复检工位，只过AI挑出来的可疑件，比原来全检省80%的人力，这不就达到目的了吗？
做汽车零部件的朋友要注意，AI检测的所有原始图像和判定结果，一定要按IATF16949的要求存满至少3年，可追溯，一开始架构就要做好，别上线了再改存储方案，改一次脱层皮。
最后说两句
AI外观缺陷检测不是什么万能神器，就是个帮企业降本增效的工具。别迷信大厂打包好的交钥匙方案，每个行业每个产品的缺陷特性都不一样，自己多试，踩几个坑就会了。现在落地做得好的项目，没有哪个是直接套模板出来的，都是磨出来的。
