摘要：针对工业产线多工位检测节拍不足的痛点，结合近三年十几条一体检测线的落地经验，聊清楚机器视觉尺寸外观一体检测算法的核心矛盾、常见坑点和可直接复用的落地方案，给做项目的中级工程师做参考。
为什么非要做一体检测？分开做不行吗
去年接了个国内头部手机厂的订单，测中框的长宽公差和表面刮痕、崩边。一开始想的简单，尺寸一次拍，外观再拍一次，两套算法分开跑。
客户要求什么？每分钟出60件成品。
算下来单工位节拍只有一秒。两次检测光上下料加拍照就用了1.2秒，根本达不到要求，节拍卡得要死。
这就是一体检测出来的原因。省工位，省节拍，降成本，对现在的产线来说太重要了。分开做，两个相机两个工位，场地成本翻番，人工维护也麻烦，出了错还不好追溯。
实话讲，只要是精密零件检测，现在客户都直接提一体检测的要求了。
一体检测算法的核心矛盾，90%的人都踩过坑
尺寸检测要什么？低畸变、均匀曝光、亚像素级边缘精度。外观缺陷检测要什么？高对比度、定向打光、突出缺陷边缘反差。两个任务对图像、对算法的要求天生就是矛盾的。
一开始我们图省事，用共享主干网络，一个 backbone 提特征，分两个头分别跑尺寸和外观。本来想着省计算量，速度能提上去，结果训出来的模型什么德行？
尺寸精度偏了两个微米。
外观缺陷的误检率比单独做高了8个百分点。
那阵子天天熬夜调数据集，头都大了！后来才想明白，梯度冲突啊！外观任务是分类分割，梯度变化大，直接把共享层的权重带偏了，尺寸任务需要的低层级边缘特征直接被冲没了。这不就乱了吗？
还有一个坑，很多人做一体检测，畸变校正只做一次，就不管了。尺寸检测要求全图畸变小于千分之一，外观检测只要缺陷能看到就行，你不分开校正或者做统一的高精度校正，最后尺寸肯定不合格。我们一开始就是这么错的，第一批试产报废了三百多件中框，老板脸都绿了。
落地能用的算法框架，我们亲测好用
踩过坑之后，我们改了方案，现在跑了十几条线，合格率稳定在99.5%以上，节拍也能满足每分钟65件，完全符合客户要求。
核心就是一句话：多分支解耦训练+动态权重加权。
具体怎么搭？backbone 用改进的ResNet18，足够轻量，特征提取能力也够。尺寸分支单独接IAdaPIN亚像素边缘提取模块，这里要求边缘定位精度必须达到0.01pixel以内，换算到千万像素级工业相机，对应实际精度就是0.5微米，完全满足精密零件的公差要求。外观分支单独接FPN特征金字塔，专门提取不同尺度的缺陷特征，0.02mm的微小刮痕都能稳定检出。
训练的时候，两个分支的梯度不共享，各自反传，只在共享 backbone 输出特征的时候加动态权重：哪个任务当前收敛误差大，就给哪个任务的特征更高的权重。说白了就是谁差谁优先，解决梯度冲突的问题。就这一个改动，尺寸精度直接拉回了0.3微米以内，误检率掉了7个百分点，太香了。
还有校准环节，必须严格按GB/T 22059-2008机器视觉检测精度校准规范做，用标准量块做全图畸变校正，不要嫌麻烦，这一步省了，后面批量出问题你哭都来不及。
不过话说回来，不是所有场景都适合做一体检测。如果是公差要求低于0.1毫米，缺陷也都是毫米级的大缺陷，那一体检测完全没问题。如果是公差要求零点几微米的高端芯片，那还是分开做更稳，对吧？
现在产线降本压力越来越大，把尺寸和外观检测合在一起，肯定是越来越多项目的选择。踩过我们这些坑，你至少能少熬一个月的夜，少报废几百件试产件，这就是老工程师攒出来的经验。
