上个月帮苏州一家汽车零部件厂做检测站优化，原来分两道工位——一道用3D激光测尺寸公差，一道用工业相机查外观毛刺，节拍卡在12秒/件，良率误判率3.2%，厂长拍桌子说再降不下来成本兜不住。换了套打通的机器视觉尺寸外观一体检测算法之后，节拍压到4.8秒/件，误判率掉到0.18%。
说真的，这东西根本不是什么实验室里的高精尖黑科技，全是踩过的坑堆出来的经验。
别再把尺寸和外观算法“硬拼”了
很多团队做一体检测的思路特别简单，把原来跑尺寸的亚像素算法，和跑外观的缺陷分割模型，塞进同一个程序里就算完事。结果呢？同一幅2000万像素的图像，尺寸算法要做高斯模糊压噪，怕边缘抖动影响测量精度；外观算法要做高频增强提细节，怕漏了细小的划痕。俩预处理流程打架，内存占满，跑起来慢得要死。
我见过最夸张的一套系统，单帧图像预处理要180ms，尺寸拟合230ms，外观分割420ms，加起来快800ms，还没算结果校验的时间，节拍根本压不下去。
真正能落地的一体检测，核心是把单帧图像的特征提取层做共享——边缘梯度特征既可以用来算尺寸的亚像素坐标，又可以作为缺陷检测的输入特征，毕竟毛刺、压痕本质上就是梯度异常的区域，根本没必要做两遍特征提取。
最早我们做共享层的时候，为了凑尺寸精度，把梯度阈值卡得太严，结果把零件表面直径0.1mm的浅划痕全当成正常的边缘梯度给滤掉了，连续3天漏判，被品质部追着骂。
真的疼。
后来调了特征通道的权重分配——70%的梯度通道给尺寸拟合，保证边缘定位的稳定性；剩下30%的通道保留高频细节给外观检测，不把所有噪点都滤干净，才把这个bug修了。
精度平衡的坑，90%的团队都在交学费
按照GB/T 39264-2020《机器视觉 尺寸测量通用技术要求》，工业零件尺寸检测的示值误差要控制在被检测公差带的1/10以内。举个例子，一个铝合金压铸件的安装孔，公差是±0.05mm，那算法的测量误差就得压到±0.005mm以内，不然计量审核根本过不了。
但外观检测的要求呢？只要是直径≥0.05mm的表面缺陷就得抓得到，漏一个客户都要开8D报告。
这俩要求天生有矛盾。如果为了尺寸精度，把光圈收得很小，景深压得刚好覆盖零件表面，那铝合金面的反光会把缺陷盖得严严实实；如果为了拍清楚缺陷，把光圈开大，景深变浅，零件表面稍微有点高低差，边缘的尺寸误差就会飘得离谱。
我们最后选的是12mm焦距的双远心镜头，畸变率0.02%，工作距离110mm，景深18mm，既保证了整个零件表面的成像清晰度，又把全视野的畸变误差控制在0.002mm以内。
别听供应商吹什么“2900万像素一镜走天下”，上次有个团队为了省镜头钱，用普通定焦镜头代替远心镜头，最后测视野边缘的安装孔时，尺寸误差飘了0.03mm，连客户的来料检验都过不了，拆了换镜头花了8万多，何苦呢。
算法上的校准我们也没走捷径，把外观检测的ROI区域和尺寸测量的ROI区域分开做标定——尺寸ROI用亚像素边缘拟合的方法，每个标定块的坐标误差控制在0.001mm，全流程可追溯；外观ROI的标定重点放在反光区域的亮度校正上，把铝合金表面的高光反射率压到和哑光区域一致，不会出现“测尺寸的时候画面不反光，查缺陷的时候全是光斑”的矛盾。
之前测带倒角的轴类零件，原来的算法把倒角的斜向边缘当成了轴的直径边界，算出来的尺寸差了0.12mm，后来在共享特征层加了个简单的角度过滤分支，只把和轴母线平行的边缘点纳入尺寸拟合，倒角的斜向边缘直接归到外观检测的特征池里，问题一下就解决了。
别把算法当黑盒，误判率的优化全在细节里
很多人觉得一体检测就是上深度学习，模型越新越好。其实真不是。
尺寸测量的部分我们100%用传统亚像素算法，根本不碰深度学习——因为传统算法的测量精度是可追溯的，每一个边缘点的坐标来源都能查到，符合计量要求。要是用深度学习算尺寸，你根本没法给客户解释为什么这次测出来的孔直径差了0.003mm，计量审核那关根本过不去。
外观检测的部分我们才用轻量的分割模型，而且模型的输入不是原图，是共享特征层提出来的梯度特征，这样模型的推理速度能比直接吃原图快60%以上，根本不需要上什么大模型。
一开始模型把零件表面的加工刀痕当成了毛刺，误判率到了1.2%，我们没瞎调模型的权重凑效果，而是在算法前面加了个简单的频域过滤步骤——刀痕是沿着加工方向的周期性纹理，傅里叶变换之后会在特定频率上出现明显的峰值，把这个峰值滤掉，剩下的就是随机分布的毛刺、压痕缺陷，模型的误判率直接掉到0.2%以下。
说实话，很多人觉得一体检测就是把两个算法塞到同一个程序里跑，其实根本不是。你得把每个模块的边界划清楚，哪些地方用传统算法稳，哪些地方用深度学习快，混来混去最后要么精度不够，要么速度跟不上，全是白忙活。
现在这套算法在i7-12700的工控机上跑，单帧图像的全流程处理时间是320ms，加上相机的曝光时间100ms，整个检测流程不到0.5秒。原来分两个工位的硬件成本直接砍了一半，还省了两个工人的工位成本，算下来不到8个月就收回了硬件投入。
上周去那个苏州的汽配厂回访，厂长说现在检测站的员工原来要盯着两个屏幕看外观，现在只需要处理算法筛出来的极少数异常件，每天的工作量少了80%。
其实工业视觉这东西，从来都不是比谁的算法模型新，比谁的参数堆得高。你得真的站在产线的角度想——哪个环节能省成本，哪个地方容易踩坑，把这些细节磨透了，算法自然就好用了。
