摘要：工业视觉检测中，初检算法为了保证漏检率往往会拉高疑似缺陷的输出，带来大量人工复判成本。本文从一线工程落地的实际经验出发，分享智能机器视觉复判检测算法系统的设计逻辑、选型权衡和常见踩坑点，给准备做相关项目的中级工程师做参考。
为什么工厂一定要上智能复判？不是多此一举吗
很多工厂上视觉检测，一开始只想着做初检，觉得复判就是找两个品控员坐着看就行。
真不是。
我之前给华东一家汽车主机厂做车门密封条的表面缺陷检测项目，刚上线的时候初检算法为了满足客户0.1%的漏检率要求，把缺陷阈值压得极低，每天12000件的产量里能出快1800件疑似缺陷，全靠两个品控员坐在检测工位旁边复判，一天干下来眼睛都花，还是免不了漏个三五件，客户投诉接连来。
后来上了智能复判系统，把90%以上的明确误判自动筛掉，每天只给人留不到100件真的存疑的，品控员工作量直接砍到原来的二十分之一，漏检率直接降到0.03%以内，客户那边一下子就满意了。
说白了，初检是找嫌疑，复判是定生死。智能复判就是帮人干那些重复无聊的筛选工作，把人的精力留给真的难判断的缺陷。
核心算法框架的选型权衡，我踩过的三个大坑
很多人做智能复判，第一个思路就是把初检用的深度学习模型直接拿来用，改都不改就上线。
第一个坑就在这。初检要的是整张图快速扫描， recall拉满，哪怕误判多也没关系。复判呢？复判只处理初检截出来的疑似缺陷局部图，核心要求是精度，precision要拉满，速度反而只要满足线体节拍就行，需求完全不一样。
第二个坑，全上深度学习，不管速度。我刚做这个项目的时候，试过把所有疑似图全扔给YOLOv8做分类，结果呢？线体节拍要求3秒每件，跑一次复判要7秒，整条线直接卡成狗，班次产量完不成，厂长天天蹲在工位旁边催我改。
后来怎么改的？传统图像处理先筛一轮啊。把那些因为曝光噪点、镜头灰尘导致的误判，用灰度阈值、连通域分析先筛掉，一圈下来，1800件疑似直接砍到不到200件，剩下的再扔给深度学习分类，总时间刚好卡在2.8秒，完全符合GB/T 3915-2020对智能检测装备的节拍要求，皆大欢喜。
第三个坑，没做人工复判的闭环迭代。很多人把系统上线就不管了，模型用的是半年前的训练数据，出了新的缺陷类型根本识别不出来。正确的做法是，人工复判确认过的样本，自动打上标签存入样本库，每隔两周自动微调一次模型阈值，跑下来不到三个月，复判精度能涨3到5个点，越用越准。
工程落地的非算法细节，决定项目成败
说实话，大部分复判项目做不好，问题根本不在算法，在工程细节。
第一个要抠的，就是图像一致性。复判的图都是从初检相机拿的，同一条线，早班晚班的车间环境光不一样，相机用久了曝光衰减，出来的图灰度差个十几个值，缺陷纹理的差异就非常大，模型直接懵。我后来加了一步全局灰度归一化预处理，每周自动用当周的正常样本更新归一化参数，就这么一个小改动，复判精度直接涨了8个点，谁试谁知道。
然后就是考核指标的坑。很多甲方签合同的时候说，要求复判误判率不超过5%，很多朋友直接理解成总检测量的5%，那就死定了。甲方说的误判率，是复判系统判定为不合格的样本里，实际合格的占比，换算成总检测量的话，可能连0.5%都不到。我之前就差点栽在这里，一开始算错了指标，连夜调了两天阈值才把数据拉回合格线，现在想起都头疼。
还有追溯要求，做汽车零部件的客户都要符合IATF16949，复判的每一个结果，每一次人工修改，都要能存到MES系统里，能追溯到哪天哪台设备哪个品控员确认的，这个东西前期不做好对接，后期验厂的时候改，能把人累死。
不过话说回来，这些细节看着琐碎，其实都是帮你擦屁股的，提前想到了，项目后期少出一堆问题。
智能机器视觉复判检测从来不是初检的附庸，是控风险降成本的核心环节。把复判的逻辑搞对，选型不贪大求全，抠好落地的细节，做出来的系统才能真的帮工厂解决问题，而摆在车间落灰的花架子。
