❗ 你以为买个好相机就完事了？天真
年初有个项目，给轴承做外观缺陷检测。客户一听，觉得简单——划痕、锈斑、磕碰，肉眼都能看。结果上了系统，第一个月误报率冲到30%……工人直接绕过设备手动挑。 我冲到现场一看，光源角度偏了5度，不锈钢表面反光像镜子一样，相机拍出来根本分不清是划痕还是油渍。更绝的是什么？车间顶上那排日光灯，每隔三秒闪烁一次，频率和相机采样率撞上，图像忽明忽暗。
💡 QA环节：关于深度学习标注的那些破事
问：现在都推深度学习，传统图像处理是不是要被淘汰了？ 答：呵呵，谁信谁亏钱。去年一个电子连接器项目，客户被某大厂忽悠，非得上深度学习模型。结果呢？缺陷样本少得可怜，良品率99.7%，那0.3%的次品，种类却有二十多种，每种就二三张图。训练出来的模型过拟合到亲妈都不认识，稍微换个批次，报出来的缺陷位置全飘。最后还是靠传统算法做分割，深度学习只用在分类环节，才把漏检压到0.1%以下。 所以啊，别听云厂商吹，小样本、多变化的工业场景，传统方法底座更稳。深度学习像是味精，放对了提鲜，放多了齁嗓子。 问：标注外包到底靠不靠谱？我们公司不想自建团队。 答：我只能说，血泪的教训。上次外包了八万张图，回来一看，金属表面反光的区域全被标成“裂纹”。打电话过去理论，对方说“按您规则书来的呀”。规则书写了“线性异常”，可那反光明明是光源没调好……后来我们自己培养了两个质检老师傅，用他们积累的经验来标注，虽然慢，但准确率甩外包几条街。记住，工业缺陷的语义定义，机器理解不了，靠人解释，就得是懂工艺的人。✅ 速度与精度的死磕，凭什么不能兼得？
去年给一家汽车零部件厂做方案，节拍要求1.2秒一个件。注意，是从拍照到输出结果，全程1.2秒！同时缺陷最小尺寸要检出0.05mm的微裂纹。 我一听就知道，GPU得选能打的了。但光靠硬件堆不行，推理框架得抠。我们试了TensorRT，又把模型结构砍了好几刀，最后用模型量化，FP16精度下几乎没有损失，推理时间从380毫秒降到110毫秒。这才勉勉强强压进节拍。
🤔 未来？先解决眼下的迁移灾难吧
现在人人提“工业4.0”、“黑灯工厂”，可实际呢？一条产线半年换一次型号，相机要重新标定，算法阈值要重新调。你说，这智能在哪？ 我们正在尝试用少样本学习和领域自适应，让模型在新产品上只需要几十张图就能快速上线。听起来很美好是吧？但中间过程只有做过的才懂——域偏移导致的衰减，轻轻松松让准确率掉20个点。目前靠的是数据增强，模拟各种光照和材质变化，先喂给模型去脱敏。 回头想想，这行最大的壁垒真不是算法，而是对工艺的理解。相机该架在哪个工位、光源用同轴还是背光、取像要不要加偏振片……这些决策，没在一线泡过三五年，根本做不利索。 所以每次看到网上那些“AutoML一键训练工业检测模型”的广告，我……唉，不说了，喝水去。 总结？没什么好总结的。工业计算机视觉，就是场无穷无尽的打补丁游戏。你准备好下场了吗？免责声明：文章内容来自互联网，本站仅作为分享，不对其真实性负责，如有侵权等情况，请与本站联系删除。
转载请注明出处：计算机视觉（CV）落地工业质检，我踩过的坑比你听过的报告都多 https://www.dachanpin.com/a/tg/56181.html
