摘要：结合工业视觉领域十年落地经验，拆解机器视觉外观检测项目中容易被忽略的核心设计要点，用真实项目案例聊聊选型、光源、算法调参环节的常见坑点，给有一定基础的中级工程师提供可落地的参考。
选型不是越贵越好：工业场景的适配陷阱
半年前接了一个汽车零部件厂的项目，给橡胶密封条做表面缺陷检测，要求识别出0.1mm以上的气泡、刮痕和杂质。
一开始对接的供应商上来就推8K线阵相机，说分辨率越高精度越好，一套下来报价近二十万。差点就签合同了。
我去车间转了一圈，密封条被测区域总宽度才120mm，生产线速度每分钟15米。算一下就知道，500万像素的面阵相机，配16mm定焦镜头，单像素精度就能做到0.08mm，完全满足要求，为什么要用线阵？
线阵相机适合连续运动的大面幅产品，比如几米宽的卷材、整卷钢板，你一个一百多毫米宽的小件，面阵相机一次曝光就能出图，成本只有线阵方案的三分之一，维护还方便。
很多人入门就踩这个坑，唯参数论，堆最贵的硬件，最后预算超了，效果还不一定好。按照GB/T 39112-2020《机器视觉 外观检测通用技术要求》，只需要根据最大可接受缺陷尺寸倒推单像素精度，一般遵循3倍准则：单像素精度要小于最大可接受缺陷尺寸的1/3，算出来需要多少分辨率就买多少，多一分都是浪费。
当然，也不能贪便宜买杂牌。相机暗电流不均匀，镜头畸变超标的话，后期调调到死。我们长期用几家大厂的工业级产品，稳定性真的差很多。
光源设计才是核心：90%的检测失败都出在这
说出来你可能不信，我见过的失败项目里，十个有九个是光源没选对，不是相机不行，也不是算法不行。
前年做手机不锈钢中框的划痕检测，一开始用了常见的环形无影光源，打光出来，划痕和表面油污的灰度差不到10个灰阶，算法根本分不出来，误检率干到22%，根本没法上线。客户天天催，头都大了。
后来翻了一堆资料，把光源换成低角度平行同轴光源，角度调到13度，再看图像，划痕直接黑成线，背景是均匀的亮灰色，灰度差直接干到80多。误检率直接降到0.8%。
说实话，很多刚做项目的工程师，把预算大部分砸在相机和算法上，光源只留了零头，这完全搞反了优先级。机器视觉外观检测，本质就是靠缺陷和背景的灰度差做分割，没有好的打光，再好的算法也白搭。
还有容易忽略的照度稳定性。国标要求光源照度波动不超过±5%，很多便宜的光源，用的是劣质驱动，用半年照度掉10%都不止，原来调好的阈值直接废了，工人天天要调参，烦都烦死。别省那点驱动的钱，选带恒流控制的，真的省心。
动态阈值：解决量产阶段的环境漂移问题
实验室调出来效果完美，一上线批量生产就出问题，这又是一个常见坑。
我之前碰过一个连接器外观检测的项目，实验室调试的时候误检率0.3%，上线入夏之后，误检率突然冲到6%，找了一周才找到原因：车间没有恒温，白天温度比实验室调试的时候高了8度，相机CMOS暗电流升高，整张图的平均亮度涨了7个灰阶，原来设的固定分割阈值，直接把合格的接触凸点当成了凹缺陷。
解决方法其实很简单，把固定阈值换成动态阈值，每次检测都取当前帧背景区域的平均亮度作为基准，自动上调或下调分割阈值，改完之后，误检率直接回到0.4%，再也没出问题。
不过话说回来，要是缺陷种类多，每种缺陷的样本又少，传统算法确实顶不住。现在小样本深度学习做得已经很成熟了，不用动辄几千张缺陷样本，几十张就能训出能用的模型，准确率比传统算法高不少，成本也没涨多少，适合复杂缺陷的检测场景。
别信那些吹端到端大模型的，工业场景哪来那么多缺陷数据？10万件产品出10件不良，数据不平衡，大模型泛化能力根本不行，落地十个九个拉胯，不如老老实实结合场景选方案。
干这行快十年了，最深的感受就是，机器视觉外观检测从来不是拼参数堆配置，是帮客户解决实际问题。多去车间待两天，摸清楚生产环境的各种干扰，比在办公室想破头有用。选对适配的方案，低成本也能出高稳定的结果。
