很多工业视觉质检项目，初检准确率能做到99%，但就是过不了客户的漏检要求，问题大多出在没做好智能机器视觉复判。本文结合多个落地项目的实际经验，讲清楚复判的设计逻辑、核心参数和常见踩坑，给有基础的工程师做落地参考。
为什么智能机器视觉复判不是多余环节
你去看任何公开的AI检测论文，准确率都能吹到九十九点几。拿到现场跑起来，怎么就不对了？
拿去年做的3C连接器pin针检测项目说，客户要求0.05mm以上的变形针必须100%检出，初检用的主流YOLOv8模型，实验室测准确率99.2%，上线第一周，漏了12根变形针，流到组装环节卡了生产线，赔了十几万。
问题出在哪？AI模型认的是训练过的特征。那些长得像脏污的真缺陷，长得像缺陷的真脏污，模型没见过足够多的样本，就拿不准。
新能源电池极片检测也是一样，车间粉尘天天飘，0.1mm的粉尘落在极片上，初检模型要么把粉尘当划痕扣下来，要么把真划痕当粉尘放过去。一开始给珠三角某电池厂做方案，客户老板想省成本，说AI足够准，不用加复判环节，结果批量流出三批带微划痕的极片，组装成模组后才发现，整批报废，赔了小两百万，回头还是老老实实加上了复判模块。
哪怕你训模型用了上百万张样本，也不可能覆盖所有边缘情况。对高要求的工业质检来说，最后这道闸，必须有。
智能机器视觉复判的核心设计逻辑
不是把初检重做一遍就算复判。复判的核心是只处理初检拿不准的样本，不浪费算力，不拖慢节拍。
最合理的触发逻辑是：初检模型输出每个检测结果的置信度，当置信度低于95%行业通用阈值的时候，自动触发复判。置信度高于阈值的，直接放行。
复判本身也不用全图跑，只裁出来初检标出来的疑似区域，用更高分辨率的专门模型来检测。按照GB/T 39564-2020 机器视觉检测系统通用技术条件的要求，复判的有效分辨率必须比初检高至少2倍，才能看清微小缺陷的细节。
我见过不少新手工程师，复判用初检的压缩图来做，原本0.1mm的划痕，压缩后只剩两三个像素，神仙模型也分不出来是不是缺陷。这钱花得冤枉。
现在主流的做法是多模型级联复判：初检大模型扫全图找疑似，拿不准的区域切给专门的细分类小模型，小模型输出最终结果，如果小模型的置信度还是不够，再推给人工复判。这样下来，大部分拿不准的情况，智能复判自己就能搞定，需要人工介入的不到1%，既保证了准确率，又不影响线体节拍。
还是那个连接器项目，加上复判之后，漏检率从原来的0.8%降到了0.008%，完全满足客户要求，整体节拍只降了3%，根本不影响生产。
落地时绕不开的几个坑
说实话，做复判踩的坑，比做初检还多。
第一个坑，把复判做成了全复判。不管初检置信度多高，都拉过来再过一遍，看似准确率上去了，算力成本翻了三倍，原来每件检测只要100ms，现在变成500ms，客户线体节拍是每秒出两件，直接跟不上，整条线慢下来，客户宁愿不用你的方案。
第二个坑，阈值调得不合理。要么把阈值设得太高，要99%置信度才放行，结果20%的产品都要复判，智能搞不定，人工每天连喝水的时间都没有，干了半个月就没人愿意干了。要么阈值设得太低，90%就放行，漏检率还是降不下来，和没加复判一样。我们调试的时候，一般是拿一万张标注好的全品类样本跑，找漏检率低于0.01%同时复判率低于5%的那个阈值，不多不少，刚好平衡效率和准确率。
第三个坑，上线之后就不动了。复判模型不是一劳永逸的，客户换原材料，换生产批次，甚至车间光照变了，原来的模型就容易出问题。必须给复判加上自动回训机制，复判完的正确结果，自动标注好，小批次更新每周更一次参数，大批次变更再全量重训，模型才能越用越准。我之前有个项目，上线的时候准确率很好，半年后掉成了95%，就是因为没更新，客户换了极片涂层材料，原来的特征全变了，模型认不出来了。
还有个容易忽略的小细节：复判存图必须存原始未压缩图，不能存压缩图，客户哪天要追溯，拿不出原始像素的图，说不清楚，麻烦大了。
智能机器视觉复判，本质就是给AI处理边缘盲区。把AI搞不定的疑难样本，用更小成本、更精准的方式筛出来。它不是什么炫技的新技术，却是工业视觉质检能不能通过验收、能不能长期稳定运行的核心。把这些细节摸透，就能把漏检率压到客户接受的范围内，项目就能落地生根。
