机器学习质量检测：从入门到放弃？

我干质检这行15年了。真的，看够了报废件堆成山。说起来都是泪——人眼？24小时盯着？不现实。尤其是那种微小裂纹，灯光一打，眼睛都看瞎。后来老板说上机器学习。嗯，救世主来了？呵。先听我慢慢吐槽。💡

缺陷检测：从人眼到算法，没你想得那么神

第一次看视觉检测系统跑的时候，我下巴差点掉了。太快了。一个工件过去，0.2秒，屏幕上直接标出缺陷位置。之前我们老师傅，要拿放大镜看半天。但是！别急着欢呼。第二天系统就把正常纹理判成划痕，整批货卡住。为什么？光照变了。下午车间西晒，算法把阴影当缺陷。所以说，工业场景的鲁棒性才要命。务必控制环境光，或者用多光谱照明！

问：机器学习能检测所有缺陷吗？
答：不能。至少现在不能。它擅长规律性缺陷，比如重复出现的划伤、凹坑。但偶然性异常，比如从未见过的奇怪纹理，它可能直接傻掉。我们遇到过，模具偶然掉了一小块铁屑，压出来一个谁也看不懂的印子，系统直接划为OK——因为训练集里没有类似样本。所以，人机结合是必须的。算法初筛，人复核边界品，才是当前最优解。

数据是灵魂，也是噩梦

你以为买了算法就完事了？真正的痛苦才开始：数据。同行都知道，没有数据，机器学习就是个花瓶。我们当时从产线拷了10万张图，兴冲冲准备开干。结果打开一看，90%是OK件，缺陷样本少得可怜。而且缺陷类型分布极度不均——划痕占80%，裂纹只有20张。这种数据训出来的模型，就是个划痕检测器，遇到裂纹就抓瞎。

怎么办？小样本学习？数据增强？我们试过对裂纹图片做旋转、加噪，勉强凑到500张。但训出来的模型过拟合严重，换条产线就废。后来逼得没办法，让老师傅故意做坏一批件，去产生真实缺陷数据——说实话，成本高得肉疼。所以现在我看到那些吹嘘“只需少量样本”的厂商，心里就呵呵。❗

问：没有大量缺陷样本怎么办？
答：方法有几个，但都不完美。一，用无监督或半监督学习，只学正常分布，发现异常就报警。但误报率可能高，工人会骂。二，迁移学习，拿类似场景的预训练模型微调。我们试过用金属纹理的公开数据集做预训练，有点效果，但仍需至少每个缺陷类型有几十张。三，合成数据，用GAN生成缺陷图像。听起来高大上，实际上生成的缺陷常常脱离物理规律，比如裂纹长出了不可能的枝杈，反而误导模型。这条路，坑多路远。

落地：理想丰满，现实骨感

模型训好了，实验室准确率99.5%，兴奋得睡不着！结果一上产线，直接降到80%。为什么？图像传输延迟、产线震动、镜头积灰……各种问题。我们第一次部署时，工控机跑不动模型，检测一个件要1.2秒，生产线节奏是0.8秒，直接堵料！被迫上边缘计算，对模型剪枝量化，速度提到0.6秒，但精度又掉了一截。真是按下葫芦浮起瓢。

还有软件集成，各种通信协议，PLC对接，MES系统推送。搞算法的博士哪懂这些！最后还得我一个搞机械的来协调。说个笑话，我们IT和OT网都没通，数据得用U盘拷。后来总算搞定了，现在系统跑了大半年，其实真的省了不少事。原来质检岗位6个人，现在留2个，其他人转岗了。但我得说，不是机器取代人，是让人去做更值钱的事——比如分析那些算法判不准的疑难杂症。

最后提一句，不要盲目追新。现在好多人在谈自监督学习、Transformer模型在工业检测的应用。我们都试过，说实话，纯视觉Transformer又大又慢，还得是轻量CNN实用。总之，机器学习质量检测，不是买来就用的神器，是得死磕工程细节的系统工程。你要是没心理准备，趁早别碰。但如果啃下来，回报确实惊人。就这样。没有鸡汤。