说实话，刚开始接触智能质检时，我内心是抗拒的。产线的老师傅用肉眼和手感就能挑出瑕疵，为什么非要花大几十万上一套机器视觉？直到一次客诉，因为一个0.08mm的毛刺没被及时发现，导致整批货被退回，还赔了违约金，我才真正意识到——人工质检的稳定性，才是最大的成本。那天开始，我决定认真研究视觉检测。五年过去，踩过的坑、掉过的链子，足够写一本小册子了。
但真正做起来，你发现这玩意儿不是买个相机加个算法就完事的。它更像是一个精密的光机电系统，每个环节都有各自的脾气。
光源设计：99%的硬件问题都出在这
光源是视觉检测的灵魂，这句话常被提起，但很少人真正领悟。很多工程师一上来就讨论算法，喜欢把目标检测、深度学习挂在嘴边。但我见的项目，几乎一半死在光源上。有个典型例子：检测轴承端面划痕。初期用白色环形光直打，图像里划痕和加工纹理混成一片，根本分不清。后来改成低角度穹顶光，让光线从极低角度投射，划痕的散射光被相机捕捉后，瞬间变成了高亮白线——同样的相机，同样的镜头，效果天壤之别。你说气人不气人？
关于光源波长，其实有讲究。对于金属表面，蓝光（波长约450nm）通常比白光具有更高的对比度。因为蓝光波长短，对微细纹理更敏感，适合凸显划痕和压伤。而透明材料或半透明材料里的气泡，用红外背光反而更有效。还有一个容易忽略的点：光源温漂。LED光源长时间工作后，光强会衰减，色温也会偏移。如果不做恒流控制或光反馈，初始调好的图像对比度可能过几个月就悄悄变了，导致算法误判率上升。所以，我们在设计时通常会加入光源状态监控，定期补偿。
辐照度的计算也不能拍脑袋。一个简单的经验公式：相机靶面照度 ≥ 光源辐射亮度 × 立体角 × 光学系统的透过率。听起来复杂，其实核心目的是保证图像有足够的信噪比。具体工程中，我们常用照度计实测，确保靶面照度至少达到相机标称最小照度的2倍以上，否则，噪声会让你怀疑人生。
时序同步也是一个大坑。光源频闪与相机曝光必须严格同步，但用通用PLC直接给触发信号，有时会引入微秒级时延。对于高速运动的零件，几个微秒可能意味着零点几毫米的位置偏差，直接导致图像模糊。我一般会选用支持硬件触发的相机和光源控制器，用同一根触发线进行同步，而不依赖外部IO来进行软件同步。
相机与镜头：别被像素数忽悠了
接下来是相机。很多朋友的选型思路是：像素越高越好。这个认知真得改一改。分辨率只是三维之一，靶面尺寸、像元大小、动态范围、帧率，每一个都可能成为瓶颈。
举个例子。检测刻在金属表面的字符，如果字符宽度仅有0.2mm，而你的视场宽度是50mm，用500万像素相机（约2448×2048），那么每像素对应约0.02mm。理论上足够分辨。但如果像元尺寸太大（比如10μm）配上大靶面，即便像素数很高，光学系统的衍射极限也可能让边缘模糊。所以，要计算实际光学分辨率，通常按照瑞利判据：R = 1.22 λ / NA。对于可见光，λ≈0.55μm，NA由镜头孔径决定。在低倍率下，NA很小，光学分辨率可能远超像素尺寸。一个经验法则是：最终系统的极限分辨率在像素的两倍左右，所以不要指望一个缺陷刚好占一个像素就能检出，我一般要求缺陷特征至少覆盖3×3像素。
在测量应用中，我强烈推荐远心镜头。远心镜头通过专门的光学设计，使得主光线与光轴平行，进而消除了视差。这意味着，即使物体在景深范围内发生微小位移，图像大小也不会改变。对于轴类零件的直径测量，这是稳定性的核心。普通C口镜头，物距稍微变化0.1mm，图像尺寸就变几个像素，你说这还能测准吗？当然，远心镜头价格不菲。如果预算紧张，也可以考虑低畸变的CCTV镜头，但必须做好畸变校准。
曝光时间同样值得推敲。产线传送带速度如果为100mm/s，曝光时间设为10ms，那图像在曝光期间就会移动1mm。你想看清0.5mm的缺陷，根本不可能。此时，可以用频闪光源——极窄的脉冲（比如1μs）瞬间照亮工件，等效地“冻结”运动。但前提是光源的脉冲电流够大，亮度要足够。如果实在不行，就老老实实改用线阵相机。线阵相机的每一行扫描时间极短，适合速度较高的连续材料检测，但拼接算法也要做仔细，否则会有拖影。
算法与误判：每个漏检都可能让你夜不能眠
算法是另一个修罗场。传统图像处理，比如Canny边缘、大津阈值、形态学滤波，在光照恒定、样品一致的前提下，效果其实相当好。但现实产线哪有那么完美？光源老化、工件磨损、切屑飞溅、油污……任何一个小变化都可能让固定阈值的算法崩溃。
我刚做齿轮磕碰检测的时候，用的就是Canny加连通域分析。调试时感觉不错，结果上线第二天误报率飙到30%。排查后，发现原来是齿轮表面有一层均匀的防锈油膜，让边缘的梯度值发生了变化。这种问题，单纯调参数很难根治。后来，我改用基于随机森林的分类器，从每个候选区域提取几十个特征，比如灰度统计、纹理、形状因子等。训练了几百个样本之后，误报率降到了3%以下。但3%依然很高，每天仍然有几十件合格品被误杀，需要人工复判，产线又得雇一个人专门处理。
所以说，算法选型的关键是“够用就好”。简单场景不要为了炫技而上什么深度学习，因为深度学习对数据量和计算资源都有要求，而且解释性差，出了问题难以排查。但是，对于复杂纹理表面，比如铸件，传统算法的特征提取完全失效时，深度学习确实是唯一的出路。
如果决定采用深度学习，我推荐从异常检测入手。为什么？因为缺陷样本往往很难收集。生产线正常运行，可能一个月才出现几十个带缺陷的零件，而正常零件成千上万。你不可能等一整年收集足够的数据。异常检测的思路是只训练“正常”类，任何偏离正常分布的情况都被判定为异常。这种方法对材质的表面纹理变化非常敏感，但对异常的种类也有偏差——比如细微的压伤可能被忽略。需要根据你的工艺缺陷类型来权衡。
这里还要提一点：不要迷信公开数据集。工业视觉中的缺陷，大多与具体成像条件相关。同样的算法，换了光源或相机，性能就会变化。所以，你的数据集最好是从实际生产环境采集的，而不是网上随便找的。如果条件允许，可以设计一个缺陷注入装置——比如用针头轻戳表面来制造划痕——来扩充正样本，但要注意模拟缺陷的分布要贴近真实。
数据闭环：别把质检当孤岛
有一个观念特别重要：质检系统不是终点，它应该是工艺改进的起点。你检测出的每一个缺陷，都应该转化为统计信息，并溯源至机台、刀具、加工程序甚至批次原料。否则，检测结果就是一堆没有生命力的图片和数字，无法带来任何价值。
我设计检测工位时，一定会预留OPC UA接口，将检测数据实时上传到MES。同时，在产线放一块看板，显示不良率的帕累托图。有一次客户反馈，某一台机床加工的零件不良率在下午三点以后明显上升。我们看数据发现，原来是机床热变形引起的——连续工作几个小时后，丝杠伸长，导致尺寸漂移。于是我们利用质检数据的反馈，调整了加工参数，增加了午间温机程序。不良率又降回去了。这就是闭环的价值。
在工程标准方面，如果涉及精密测量，建议参考ISO 10360系列——它最初用于坐标测量机的验收，但很多内容也适用于光学量测系统。另一个是VDI/VDE 2634标准，它专门针对光学三维测量系统，给出了具体的检测方法。虽然不是强制性的，但依照标准来验收设备，往往能避免很多甲方和乙方的扯皮。
别忘了环境补偿。车间温度波动会对光学系统和机械结构造成影响。比如上午和下午的温差可能达到10℃，铝合金压板的热膨胀会改变相机与工件的相对位置。如果你的检测精度要求小于0.02mm，必须考虑将整个系统放置在恒温区域，或者至少用光栅尺来实时补偿位置误差。我曾经有一台设备，上午的测量结果比下午的稳定，后来发现是空调设定温度的问题。从那以后，我们严格将环境温度控制在20±1℃，才彻底解决。
所以说，智能质检的落地，从来不是光学、机械、算法或软件某一方的独角戏。它更像一个系统工程，需要每个环节都踏踏实实。如果你正准备上这套系统，我的建议是：先从光源开始，把图像质量做到极致，再考虑算法。不要一上来就聊AI概念，很多时候，传统算法配合稳定的硬件，已经足够可靠。
以上这些经验，就当是给后来者的一些参考吧。每个项目都有自己的脾气，但那些坑，踩过一次，就不会再踩第二次。
