摘要：工业生产中，机器视觉初检后留存的疑似不良品，长期依赖人工复判，成本高稳定性差。本文结合动力电池顶盖检测的实际工程案例，拆解智能机器视觉复判检测算法系统的设计逻辑、落地要点和踩坑经验，供同行参考。
去年给长三角一家汽车零部件供应商做3C动力电池顶盖检测项目，差点栽在初检过检率上。本来初检用的单模板机器视觉，OK率能到92%，剩下8%的疑似不良全得靠人工复判。一条线配两个检验员，每班12小时，干了三个月工人说啥都不干了。眼睛快瞎了。
客户急着降本，我们只能赶紧改方案，做专门的智能机器视觉复判检测算法系统。一开始踩的坑，现在想起来还肉疼。
为什么不能直接把初检算法挪去做复判？
一开始我也想偷懒，直接把初检的ResNet50模型调个分类阈值就上线了。结果一周不到，漏了三个带隐性凹痕的不良件，流到下游组装线，客户直接开了五万罚单。
后来沉下心捋逻辑，才发现根本不是阈值的问题。初检和复判的核心目标完全不一样。初检是快筛，核心是把100%确定的良品放走，宁可错杀一千不能放过一个，所以所有疑似都得捞出来。复判不一样，复判是在捞出的疑似堆里挑真坏，核心要求是极低漏检率，同时尽可能降低误判，不然省不掉人工，方案根本站不住脚。
按GB/T 39116-2020《智能制造 机器视觉检测 性能指标评定方法》的强制要求，量产线复判环节的漏检率必须低于0.01%，误判率不能超过5%。普通初检算法的漏检率通常在0.5%以上，差了两个数量级，根本没法用。
智能机器视觉复判检测算法系统的核心工程设计
我们最终定的架构，是双层级递进推理，说穿了就是先规则过滤大干扰，再用深度学习做细分类，成本和精度刚好平衡。
第一层是规则级快速过滤。你别小看规则，初检出来的疑似项里，至少七成是假的——大多是工件沾了切削液反光、灰尘遮挡、打光不均造成的伪缺陷。这一步根本不用上大模型，直接用形态学开运算做噪声去除，结合灰度直方图阈值分割，对比标准模板的像素偏差，就能直接把70%的伪缺陷过滤掉。说实话，这一步比直接端到端上大模型省钱太多，推理速度快三倍，边缘端跑起来毫无压力。
剩下不到三成的真疑似，送进第二层细分类缺陷检测。这里的选型我踩过坑，一开始跟风上YOLOv8做端到端检测，结果对0.05mm以下的微小凹痕，漏检率一直降不下去。后来换成改进后的Faster R-CNN加特征金字塔FPN结构，问题直接解决了。我们做的动力电池顶盖，最小不良凹痕只有0.02mm，YOLOv8的多次下采样会直接把微小缺陷特征吞掉，Faster R-CNN的双阶段检测，加上FPN多尺度特征融合，能把不同尺寸的缺陷特征都保留下来。
我们实际调参后，输入图像分辨率是2448*2048，FPN下采样倍率设为[2,4,8,16]，正样本IoU阈值0.3，分类置信度阈值0.8，最终漏检率稳定在0.008%，误判率2.7%，完全满足国标的要求。
还有数据集的坑必须提。复判任务最头疼的就是样本不平衡，真实不良太少了，我们跑了一个月，才采集到1200张真实不良样本，根本不够训练。最后用DCGAN做缺陷生成，把真实样本扩增到12000张，还特意在生成的时候加了真实生产场景的干扰——打光不均、切削液残留、微小灰尘，模拟实际工况。不过话说回来，生成样本也不能全信，我当时带着实习生一张一张筛，筛了整整一周，差点吐了…但筛完之后，模型泛化性直接提了15%，值。
工程落地的选型权衡和常见踩坑
算力选型，很多客户上来就说要省钱，问能不能用Jetson Nano跑。说实话，每分钟20件以内的小批量生产，没问题。要是每分钟60件以上的量产线，老老实实上Jetson Orin NX。我们实测过，Nano跑完整套双层级推理，单帧要180ms，卡不住生产线节拍，Orin NX只需要32ms，刚好留够余裕。要是预算够，上云端推理也可以，但一定要做本地缓存，防止断网停工，这个是基本操作，不多说。
别信算法能解决所有问题。复判对打光的要求比初检高太多，初检只要抓出疑似就行，复判要精准提取缺陷特征，打光稍有变化，误判率就飙升。我们之前换过一个同型号的打光灯，没重新校准阈值，误判率直接从3%跳到11%，整个项目组折腾了三天才调好。所以一定要加每日自动校准机制，每天开工前自动拍十张带标准缺陷的校验块，自动调整分割阈值和置信度，这点小事能省掉运维一半的工作量。
还有一个坑，就是别过度追求全AI。很多方案商吹什么无规则全AI复判，我见过好几个项目上线就拉胯，实际生产里的干扰千奇百怪，规则过滤能解决八成的简单问题，剩下的交给AI，成本低还稳定。
现在这套系统在客户那边跑了快一年，原来两个全职复判工人，现在只要每周抽两个小时做抽检验证就行，人工成本降了90%，漏检率还比人工复判低一半多。
做工业视觉，其实就是这么回事，适合场景的，才是最好的。对吧？
