摘要：工业生产里，九成的视觉自动检测项目，最后栽在最后一关没守住。智能机器视觉复判不是加一道多余的工序，是把漏检风险拦在出厂前的最后闸口。这里都是我跑了近十个项目踩坑攒出来的干货，给要落地的同行参考。
为什么现有自动视觉检测非要加一道复判？
前年在江苏给一家做汽车活塞环的工厂整检测线。老板一开始拍板，要做全自动化无人质检，说人工复判太费钱，砍掉。
当时自动检测的漏检率标的是0.3%。听起来很低对不对？
他们一年产三千万件活塞环，流出去九千件不良。不到半年，主机厂的索赔单就来了，整整两百万！赔完老板脸都绿了，转头找我们改方案加复判。
你说，成熟的机器视觉算法，为什么还会漏检？本质上就是，工业现场的干扰永远比实验室多。零件表面的反光、微小的铸造砂痕、沾附的切削液杂质，都会让算法对缺陷的置信度暴跌。很多时候算法不是完全没识别到，是它拿不准，这个到底是真缺陷还是正常干扰。
传统的做法是，要么直接放，要么直接判废。放了漏检，判废浪费。智能机器视觉复判就是解决这个两难的——把算法拿不准的样本挑出来，要么给AI二次识别，要么给人工确认，既不浪费，也不冒风险。
智能机器视觉复判的核心设计逻辑是什么？
很多人以为复判就是把所有自动判过的零件再看一遍，那是瞎耽误功夫。真正的智能复判，核心是分层置信度决策机制，这个逻辑我给很多新人讲过，按这个来，效率至少提三倍。
公式很简单，对于每个检测目标的缺陷判定，输出一个0到1之间的置信度得分S，然后按GB/T 40546-2021《产品几何技术规范(GPS) 机器视觉检测方法》的通用要求，设置两个阈值：低置信度阈值Smin一般取0.6~0.7，高置信度阈值Smax一般取0.9~0.95。
S大于Smax，算法置信度足够，直接输出结果放行或者报废。S小于Smin，算法完全拿不准，直接打标进复判队列。卡在中间的？不同工厂按自己的质量要求调整就行，汽车行业一般都卡进复判，五金杂货类可能直接放行，看你能接受的风险。
不过话说回来，现在很多厂商吹什么全AI自动复判，完全替代人工，我是不信的。至少在当前的技术阶段，最落地的方案还是人机协同：AI先把存疑样本里特别明显的不良挑出来，剩下的模糊样本再给人工看。我算过，一般一条月产百万件的线，存疑样本本来就只占总产能的3%~5%，AI再筛掉一半，人工一天只要看几百上千件，两个工人轮班完全够，成本比全人工低80%，漏检率比全AI低一个数量级。
我之前接过一个改线项目，老板花八十万上了某大厂的全AI复判，结果因为训练样本都是实验室拍的，现场的沾污、成像偏移一点就全错，漏检率比原来自动检测还高，最后还是改成人机协同，才把问题解决。钱花了，耽误了大半年生产，真的亏惨了。
落地实施要避开哪些常见坑？
第一个坑，样本标注乱，AI学歪了。很多工厂找生产线工人标复判样本，工人看不懂什么叫“存疑”，把正常的拔模斜度阴影、铸造标识都标成缺陷，AI后来就天天把这些正常样本送复判，复判工位忙死，效率上不去。我一般要求标注必须由质量工程师和算法工程师一起标，定好缺陷的判定标准，每一百个样本抽二十个复盘，错了就改，这个功夫不能省。
第二个坑，复判工位成像和前端不一致。这个我第一个项目就踩过！为了省几千块钱，复判工位没配和前端同参数的光源，直接用车间的荧光灯，结果工人看的成像和AI拍的完全不一样，反光位置都变了，十个错三个！后来换了和前端同型号同功率的环形光源，准确率马上上来了。别省这点钱！真的。
第三个坑，装完就不管，不做定期校准。按行业规范，复判系统每三个月要做一次MSA测量系统分析，每一个月要校准一次光源亮度和镜头焦距。我上次去东莞一个五金厂做技术支持，他们的复判系统装了两年没碰过，光源亮度衰减了30%，镜头上全是切削液油污，置信度分布直接飘了，存疑样本量少了一半，漏检率涨了十倍，老板都懵了，说原来好好的怎么突然出问题。
说实话，这种问题完全可以避免，就是没人当回事。
现在都喊无人工厂，喊全AI替代，我干了十几年工程，一句话，越是高端制造，越不能省最后这道闸。特斯拉的超级工厂，电池极片检测都还保留智能复判工位，你凭啥说你能省？
结论：智能机器视觉复判不是自动检测的附属备胎，是整个质检链路的核心安全阀。落地的时候别跟风追全AI，别瞎省该花的钱，根据自己的产能、质量要求找好人机协同的平衡点，就能把漏检风险控制在可接受的范围内，真的能帮你省不少索赔钱。
