工业产线的中小零件检测，大多还在走「尺寸检测一个工位，外观缺陷检测一个工位」的老路，成本高、节拍慢、基准不统一带来的误判问题一直解决不了。不少工程师尝试把两个任务合并，却总是踩在特征冲突的坑里，精度不进反退。这里就拿我们近一年落地的三个电子行业项目，聊聊实际能用的一体检测算法模型到底该怎么做。
为什么要做一体检测？分体方案不好用吗
拿去年东莞接的手机中框检测项目说，客户原来用的分体方案，两条工位两套相机，算上后期维护一年小二十万的成本，还占了快两平米的产线空间。最烦人的是两次取像两次定位，中框的长宽公差要求是±0.02mm，第二次定位哪怕只偏0.01mm，尺寸超差的误判率直接干到3.2%。一天一万片产能，光复检就要多排两个工人。
这不坑人吗。
很多方案商说分体简单，调参快，出问题好拆分排查。可客户要的是降本提效，一套相机一套模型，比两套省小十万硬件成本，还省一半工位空间，节拍能提快三分之一。说实话，只要能做得稳，谁愿意扯分体那个淡。
一体检测算法模型的核心：解决双任务的特征冲突
我见过不少新手的做法，直接把尺寸回归头和外观分割头硬接到同一个主干网络后面，训完出来精度掉的一塌糊涂。要么尺寸准了，划痕缺陷全漏了；要么缺陷找全了，尺寸测量飘出公差范围。为什么？本质是两个任务对特征的需求完全不一样。
尺寸检测要的是亚像素级的边缘定位精度，对低层次的纹理、边缘特征敏感；外观缺陷检测要的是缺陷的语义特征，对高层次的抽象特征敏感。硬共享主干特征必然出现特征偏向，跷跷板效应躲不开。
我们现在落地用的结构，是基于改进HRNet的共享特征+双并行分支结构。主干保留多尺度特征输出，给两个分支分别输出对应的特征图：尺寸分支用Zernike矩做亚像素边缘拟合，严格符合GB/T 38863-2020《机器视觉尺寸检测方法》里对亚像素定位误差不大于0.01倍像素尺寸的要求，计算公式为：s = k * (Z1/Z0)，其中k是模板系数，Z1、Z0分别是一阶和零阶Zernike矩，最终得到的边缘坐标精度能稳定在0.002倍像素。外观分支用特征金字塔做缺陷掩码分割，专门针对小缺陷做了特征增强。
最关键的一点，我们用了动态权重平衡损失函数：总损失L = α(t)Lsize + (1-α(t))Ldefect，α(t)会根据每个epoch两个任务的归一化损失动态调整，避免某一个任务的梯度把另一个的吞掉。我们测试下来，双任务的精度比硬拼接的方案高8个百分点。
上个月在连接器厂测下来，原来分体模型误判率2.7%，一体模型降到0.3%，节拍还提了12%。爽吧。
落地避坑：几个没人会告诉你的细节
第一个坑，光照需求不匹配。尺寸检测要漫射光，才能勾出清晰的零件边缘；外观缺陷要定向暗场光，才能把浅划痕的对比度拉出来。一套工位怎么解决？我们试过两种光源叠加，结果互相干扰，边缘糊的一塌糊涂。最后用的是分时脉冲同机位曝光方案：相机帧率够25fps以上，第一帧打低角度亮场出边缘做尺寸，第二帧打高角度暗场出缺陷做外观，一次取放两次曝光，基准完全统一，完美解决冲突。
第二个坑，畸变校正只给尺寸做。很多工程师做校正的时候，只把畸变参数用到尺寸计算上，外观分支的原图没校正。我第一次做的时候就踩了这个坑，工件边缘10mm处的细小划痕，因为镜头畸变偏了0.1mm，分割出来直接错判成边缘毛边，误判率硬生生高了1个百分点。血的教训，只要是一体检测，畸变校正必须全图应用，两个分支都用校正后的图。
第三个坑，小缺陷的梯度消失。工业检测里缺陷占比通常不到1%，大部分都是正常区域，训练的时候尺寸任务的损失会把缺陷的梯度完全压制，训出来模型全漏小缺陷。我们试过很多方法，最后发现难负例挖掘最简单好用：每训练3个epoch，把所有漏检错检的负样本挖出来，加权加入下一轮训练，成本不高，效果提升特别明显。
实际性能对比给你看
我们拿汽车氧传感器陶瓷芯片的检测做对比，参数是：2048*2048像素工业面阵相机，像素尺寸4.5μm，检测要求芯片尺寸12mm±0.05mm，宽度大于0.02mm的划痕、缺口全检出。一共测了1万片合格/不合格混合样品，结果是：
- 平均节拍：一体检测210ms/片，分体检测320ms/片
- 尺寸重复性精度：一体0.0042mm，分体0.0068mm
- 外观漏检率：一体0.12%，分体0.45%
- 整套硬件成本：一体比分体低35%左右
不过话说回来，也不是所有场景都硬要做一体。如果你的工件尺寸超过1米，缺陷又只有零点几毫米，需要不同焦距不同分辨率的相机，那还是老老实实做分体，别凑活。适合的才是对的。
一体检测模型现在已经能落地大部分常规工业检测场景，核心就是抓住双任务的特征冲突这个核心问题，做好工程细节的适配，降本提效的效果确实看得见。很多人怕一体难做，其实拆开了，就是共享特征、动态平衡两个核心点，踩几次坑，自然就顺了。
