说实话，干了十几年机械，最怕的不是图纸出错，而是来料抽检放跑了残次品。一套精密装配，往往毁在一颗不起眼的轴承滚子上。传统抽检按GB/T 2828.1来，AQL设个0.65，听起来挺美——可实际呢？批量一大，抽样量吓人，全检又费工时，老师傅靠肉眼加塞规，一天测几千件，眼睛都花。
后来接触到来料智能检测，算是开了眼。这玩意儿本质上是把机器视觉、传感器融合和统计过程控制拧到一起，让检测设备代替人眼做全检。你可能会问，全检？速度跟得上？成本受得了？别急，咱们掰开揉碎聊。
抽检的数学陷阱，你中过招吗？
先算一笔账。假设某批次不良率是1%，按GB/T 2828.1正常检验II级水平，批量2000件，AQL=0.65，查表样本量是125，接收数0，拒收数1。这意味着什么？这一批有20个不良品，抽125个全好的概率是C(1980,125)/C(2000,125)≈0.37。也就是说，哪怕批内真的有20个坏件，也有37%的概率被判定合格。这还只是1%不良率。要是实际不良率到2%，漏检概率依然有13%。
所以，别迷信AQL。抽检是跟概率对赌，赌输了，整批零件流到装配线，后面返工的成本够买好几台检测设备了。而智能检测能做的，是让每一个零件都过目一遍。注意，是每一个。
硬件选型里的那些坑
来料智能检测系统，说白了就是“眼睛+大脑”。眼睛是相机和光源，大脑是算法。先讲眼睛。
相机选型，别只看像素。分辨率要按检测精度倒推。比如要检测0.05mm的缺陷，视场假设是50mm×50mm，那么至少需要1000×1000像素——这还不够，得乘以3。为什么？因为亚像素边缘检测需要最少3个像素对应一个最小特征。所以实际至少3000×3000。工业面阵相机有500万像素，勉强够，但你要是视场大一点，就得用线阵相机了。
光源才是真正考验经验的地方。同轴光还是环形光？明场还是暗场？我见过太多案例，算法调了三个月，最后发现是光源方向没摆对。举个例子，检测铝件表面划痕，用低角度环形光，划痕会显现亮色，背景暗，对比度一下子拉满。你要是用高角度光，划痕直接淹没在漫反射里。打光方案没有一成不变的，拿个样件试拍，比啥都强。
另外，别忘了景深。机械件高度差大，镜头景深不够，边缘就糊了。这时你可能需要远心镜头，畸变小，景深大，但价格贵。权衡一下，如果是平面件，普通C接口镜头配个延长环，也能凑合。
算法与判定标准：别让阈值卡死你的产线
有了图像，接下来是算法。传统上，用OpenCV做阈值分割、形态学滤波，检测缺陷位置。但这事没那么简单。阈值设高了，过杀多——好零件被误杀，产线停线；设低了，漏杀多，坏件流出去。
我常用的方法是先采集200个良品和200个已知不良品，统计缺陷特征量（面积、周长、灰度方差）的分布，然后让算法在二者之间找一个最大分隔点。注意，别用单纯的固定阈值，用自适应阈值或者机器学习分类器（比如随机森林）更靠谱。不过，算法再聪明，也怕数据不真实。你拿实验室的样片标定，到产线上光照一变，全瞎。所以要在现场重新采集样本，还要让产线跑一段时间，收集边缘案例。
这里有个反直觉的经验：不要追求“零漏杀”。零漏杀意味着阈值极严，过杀率可能超过20%，产线交付天数直接飙升。工程上，更实际的是设定PPM目标，比如漏杀率≤10ppm，过杀率≤1%。用统计过程控制来监控检测稳定性，不比死磕算法强？
落地案例：线束端子压接检测
讲个真事。去年帮一家汽车线束厂做来料检测，他们的端子是外购的，经常出现压接高度超差、料带断裂。原来靠QC抽检，十根抽一根，测高度，用数显卡尺。结果到了客户端，偶发接触不良，投诉不断。
我们给产线装了一套侧面相机加背光的检测系统。相机对着端子侧面，背光打出轮廓，软件测量压接高度和宽度，精度±0.02mm。同时用轮廓匹配判断料带是否断裂。原来抽检一根要30秒，现在在线全检，节拍4秒一件，而且每件都有数据记录，可追溯。
这里有个关键细节：端子表面是亮晃晃的金属，直接打光会产生镜面反射，导致轮廓边缘发白。我们把光源改为红外低角度光，配合偏振片，才压住反光。所以，别迷信高分辨率，先把光学搞明白。
未来：深度学习与系统集成
现在的来料智能检测，越来越多地结合深度学习做缺陷分类。之前那种靠手工特征的方式，改个工件就得重新调参。用卷积神经网络，打个标，训练几百张图，就能自动学习特征。但注意，深度学习需要大量样本，冷启动费劲。我的建议是，小批量多品种的产线，用传统视觉就好；大批量单一品种，再上深度学习。
另外，别把智能检测看成孤岛。它必须跟MES系统打通，二维码扫描识别批次，检测数据上传，实时SPC监控。不然，你只是把人工换成了机器，数据没沉淀下来，还是瞎忙活。
来料检测这事，说到底是质量尊严的问题。我们不能总指望供应商自觉，也不能靠赌概率。智能检测至少给了我们一双不眨眼的眼睛，至于怎么用，那还得靠咱们自己的脑子。行了，就说这么多。想看具体打光方案的，评论区见。
