复判这事，干过质检的都懂。产线上AOI设备一闪红，工件就被踢到复判台。以前怎么弄？老师傅拿放大镜，对着外观标准比对半天，判断到底是真缺陷还是过杀。累，而且主观。你说夸张？同一片划痕，白班师傅说OK，夜班师傅直接打回，扯皮能扯到生产会上去。
我入行十几年，最烦的就是复判标准写“参考限度样件”——那玩意儿本身就是人定的，你让他说清楚镜面划伤多长算缺陷，他给你比划“大概这么长吧”。靠得住才怪。
后来公司推数字化转型，要把复判环节也智能化。项目落下来，叫“智能复判检测系统”。说白了就是让算法替人做二次判断。但真做起来，水比想象深。
为什么人工复判必须被替代
先说个真实数据。我们车间一条轮毂产线，一天产1200件，AOI初检误杀率大概15%——也就是180件好料被当作可疑缺陷流到复判台。老师傅每分钟看一件，也得盯三个小时。而且人眼疲劳后，漏判率直线上升，尤其是到了凌晨三点，不是看不出来，是大脑直接罢工。
更麻烦的是，人工复判结果没法追溯。你问当初为什么放行，他说“我看着没事”，系统里就一勾。后期客户投诉，连个证据都拿不出来。智能复判的核心价值，恰恰是把“人说了算”变成“数据说了算”，而且能回放、能统计、能持续优化。
这个逻辑，搞质量的都认同。但落地时，算法模型选什么、特征怎么定义、阈值怎么调，全是坑。
智能复判的技术难点不在算法，在工程
很多人以为复判就是给AOI配个AI分类器，图像进去，OK/NG出来。真这么简单，我早转行写PPT去了。
第一个难点是样本不均衡。真实产线上，缺陷比例极低，千分之几。你要训练一个缺陷分类器，正样本少得可怜。我们是把三个月的复判记录都翻出来，才凑了五万个有效样本，其中真正的缺陷类（比如气孔、缩松、划伤）加一起不到两千。数据不够怎么办？合成数据——把合格的图像叠上人工生成的缺陷纹理，但合成和真实之间总有域差异，模型在实验室95%准确率，一上产线就掉到80%，你服不服？
第二个难点是可解释性。产线领导要的不是“AI说不行”，而是“为什么不行”。你得让系统输出缺陷位置、大小、灰度对比度，甚至给出与标准样件的相似度。这就逼着你用语义分割网络，而不是简单的分类网络。我们用过Mask R-CNN，也试过U-Net变体，最后还是选了轻量化的分割模型部署到工控机，推理时间控制在200毫秒以内——复判台可等不了三秒。
工程上还有一个容易忽略的点：打光。AOI和复判台的成像环境完全不同。AOI是在暗室多角度频闪，复判台往往就在产线边上，环境光干扰大。我们一开始直接把AOI的模型搬过来用，检测率惨不忍睹。后来在复判台增加了同轴光源和遮光罩，重新标定相机参数，才算稳住。所以做这个系统，光学方案设计占了一半的精力。
阈值不是死的，要跟着产线状态走
最让我想骂娘的是阈值设定。你定一个固定阈值，比如灰度差大于30判定为缺陷。但铝合金轮毂表面粗糙度本身有波动，同一道工序不同批次，铸造模具磨损程度不同，背景灰度差能差出20%。固定阈值要么过杀，要么漏杀。
后来我们做了自适应阈值：用一组无缺陷的统计基线来动态调整。每批次生产前，先跑二十件已知合格品，建立灰度分布基线，然后缺陷判定阈值跟着基线走——均值加三倍标准差，简单粗暴，但确实管用。不过这里有个坑，基线样本必须严格是合格品，要是混了一件带浅划痕的，基线抬高了，后面真缺陷就被漏了。所以基线样本得用高分辨率检测确认后方能入库。
当然，光靠灰度阈值搞不定所有缺陷。铸件气孔在图像上可能只是一个灰斑，尺寸很小，但深度深度并不对应灰度。这时候得上结构光或3D重建。我们后端加了一个线激光轮廓扫描，对可疑区域做三维点云分析，测凹陷深度和面积。这一步对气孔、缩松的复判准确率提升巨大，从82%跳到96%。代价是节拍慢了1.5秒，但只对可疑件触发，产能影响可接受。
一个真实的案例：轮毂气孔的两次跌坑
写这个系统上线，我们踩过两个大坑。第一次是模型训练时，把经过抛光工序的轮毂图像混入样本了。抛光后的表面反光特性完全不一样，灰度差异模型根本分不清是缺陷还是加工痕迹。上线第一天，过杀率直接爆表，复判台比人工时代更忙。
第二次是复判标准和客户认定标准不一致。我们的算法按内部标准判定OK，但那个批次到了客户主机厂，被认为外观有瑕疵。原因是我们只用了灰度特征，没有考虑色彩和纹理方向——客户视角看的是涂层表面橘皮纹路。后来我们把HSV色彩空间和多尺度纹理特征加进去，又把客户抽样尺照片做成参考模板，问题才解决。
所以你说智能复判是纯算法吗？不。它本质上是一个将主观标准量化的工程过程，需要反复和客户、和工艺、和产线操作工对齐。每次对齐，其实就是一次标准的版本迭代。
落地部署的几点碎碎念
– 算力别贪大。复判台工控机用普通i5+一块在边缘推理加速卡就够，别动不动上服务器，产线环境没人给你伺候。
– 模型要能热更新。产线半夜出现新缺陷模式，你需要快速标注并重新训练，最好支持在线增量学习，否则第二天早上投诉就来了。
– 人机交互一定要想清楚。复判结果不只给质检经理看，还要给操作工看。我们界面用红绿两色加缺陷区域框，外加一句人话提示，比如“疑似气孔，深度0.3mm，建议手检”。操作工用起来舒服，才愿意让系统跑下去。
– 数据闭环是灵魂。每次人工确认（比如检测员修改了算法判定结果），都必须回传系统作为新样本。没有这一步，系统永远是那个刚上线时的水平。
结论
智能复判搞了两年，我们产线的最终复判准确率从人工的91.2%提到97.8%，过杀率从7.4%降到1.2%。数字是冰冷的，但背后的开发过程是热的。说实话，要让我从头再选一次，我还是会做，但肯定一开始就拉着光学工程师和老师傅一起坐下聊，而不是让人家看了三个月的代码。
智能复判检测没有万能模板，每一家的缺陷谱、工艺习惯、客户口都是变量。你能做的，就是把系统做成一个能不断吸收新知识的生命体，而不是一个死板的分类器。
以上，算是我的一点踩坑记录。希望还在找路径的同行，能少走点弯路。共勉。
