摘要：很多工厂上了机器视觉检测，还是逃不开不良流出或者过杀成本高的问题，核心就是没把复判系统做对。本文来自三次量产项目的落地经验，拆解设计要点、选型坑点，给推进项目的中级工程师做参考。
为什么需要复判？别迷信初检100%准确率
工业场景的缺陷检测，说穿了就是概率游戏。哪怕你训了几十万张图，调了最优的模型，照样有错。
我之前跟进过汽车座椅线束连接器的引脚检测项目，初检用的500万像素面阵相机+YOLOv8缺陷分割，测试集准确率冲到了99.6%，看起来很能打对吧？批量上线第一个月，客户那边还是流出了12个引脚折弯的不良到整车厂，整批召回。反过来，过杀更吓人，那段时间因为过杀报废的合格连接器，每天都有二三十个，一个成本八块钱，一个月下来报废小几万，客户肉疼得不行。
按照行业统计数据，成熟的工业机器视觉初检系统，误检率一般在0.2%~1%之间，漏检率也有0.1%~0.8%。对于消费电子可能勉强接受，但是汽车、医疗这些对零不良要求的行业，这一点点概率就是百万索赔的风险。
复判不是给初检擦屁股。是给整个质量体系兜底。
核心设计要点：不是加个屏幕让人看这么简单
很多甲方一开始对复判系统的理解就是：加个显示器，把初检存的图调出来让工人看就行。这完全错了。
先说触发逻辑，最常见的两种方案：置信度阈值触发和缺陷分级触发。我们第一个项目踩过一个大坑，一开始把所有置信度低于90%的检测结果都扔去复判，结果复判工位每分钟要处理7件，工人忙到连喝水的时间都没有，整条线产能掉了12%，停线改了三天逻辑。
后来改成什么？结合缺陷分级，按照GB/T 39107-2020《智能制造 机器视觉检测系统技术要求》的要求，把缺陷分成致命缺陷、严重缺陷、轻微缺陷三类，只有致命缺陷的候选、以及置信度低于85%的严重缺陷才触发复判，轻微缺陷直接记录数据放行，一下子把复判量降到了原来的20%都不到，产能立马拉回目标线。
然后是交互设计，别小看这个。复判员一天要盯八小时屏幕，你要是让他在整幅图里找缺陷在哪，不出三小时眼睛就花了，错判率蹭蹭往上涨。我们现在做系统，默认自动把缺陷区域放大到画面中央，框红高亮，键盘快捷键1过2NG，不用碰鼠标，单张复判时间从平均12秒降到4秒，错判率还降了0.2%。
最重要的一点，很多人漏掉：数据回流。复判的每一次判断，都是最好的标注数据啊！复判结果自动同步回初检模型的训练集，每跑一个月就迭代一次模型，越用越准，复判量越来越少，这才是智能复判，不是人工复判加个摄像头。
量产落地的选型权衡和踩坑总结
说实话，做项目最怕的就是上来就堆好料，或者为了省钱该花的钱不花，这里说几个实实在在的经验。
先说显示硬件，很多人为了省成本，用几百块的普通工业TN屏。谁踩过谁知道。车间环境顶光普遍在800~1200lux，亮面屏反光严重，中午阳光斜射进来的时候，屏幕上一片白，缺陷根本看不见。我们之前有个项目，就是因为这个，漏检率一直降不下来，后来换成一千多块的雾面防眩光IPS屏，漏检率直接降了0.12%。别小看这0.12%，月产百万台的话，就是120台不良流出，赔一次都够买一百块屏了。
然后是通信交互，复判系统是接在生产主线的，很多人用普通以太网透传，一到高峰就丢包，卡个几秒钟，生产线就停了。我们现在标配就是OPC UA通信加本地缓存，数据先存在本地，通信闲的时候再上传，从来没因为通信卡过线。响应延迟稳定控制在100ms以内，完全符合国标的要求。
还有产能适配，不是所有项目都要上AI自动复判。如果是月产万级的小批量项目，人工加缺陷提示就够了，一套下来几万块搞定，没必要搞什么全自动化分拣，花个几十万，三五年都回不了本。要是月产百万级的大批量，一定要加同缺陷批量排序，同一种缺陷放一批让工人判，不用频繁换视觉焦点，效率能提将近一倍。
哦对，还有一个坑，就是存储。初检的图要存多久？很多人存在本地小硬盘，三个月就满了，系统卡得不行。按照大部分主机厂的质量体系要求，一般要存1~3年，所以一定要上云端对象存储，或者本地大容量阵列，别省这个钱。后期追溯的时候找不到图，客户直接给你开体系不合格，太亏了。
最后说两句
智能机器视觉复判检测系统从来不是机器视觉检测的附属品，是整个质量链路的最后一道闸。把它做对，既能帮你省过杀的报废成本，又能帮你兜住不良流出的风险，还能慢慢迭代优化模型，越用越省钱。
都是踩过坑攒出来的经验，希望能帮你少走点弯路。
