计算机视觉（CV）落地工厂：从“看起来很美”到真正的降本增效

上个月去一家汽配厂，车间主任拉着我大倒苦水。计算机视觉（CV）项目搞了大半年，钱花了不少，效果却像开盲盒——今天误报一堆，明天漏检一片。说实话，这种场景我见得太多了。都是被“AI替代人工”的PPT忽悠进来的，对吧？但CV在工业里不是不能做，只是坑太多，水太深。我想把这些年踩过的烂泥路扒开来给你看。

不是装上相机就叫CV——硬件选型的血泪教训

很多人觉得，买个工业相机、架个光源，再跑个开源模型，就是计算机视觉了。天真！我见过最离谱的项目：摄像头对着高反光金属零件拍，图像一片白，算法直接抓瞎。那是光源没选对——应该用穹顶光源或者偏振片，可是项目组没人懂光学。硬件是CV的物理根基。镜头焦距算错一毫米，图像边缘畸变就能让尺寸测量全崩。去年有个精密电子件厂家，产线速度飙到每秒5个，他们却选了帧率只有15fps的相机，结果采集的图像全是拖影，算法根本没法分割轮廓。

还有环境振动！纺织厂的织机一开，相机架在支架上跟着抖，采集到的布匹纹理全糊了。后来加了减震台座才搞定。唉，这些细节，书本上很少讲，全靠交学费。

算法不灵？可能是你数据喂错了

深度学习大火之后，大家以为扔几千张图进去就能训练出缺陷检测模型。可工业界的缺陷样本少得可怜——一条稳定产线，几个月才出几个废品，怎么拿得到海量缺陷图？问：“小批量、多品种的生产模式，怎么玩转缺陷检测？” 答：这是经典难题。我们试过用迁移学习，先在公开数据集上预训练，再用几十张缺陷图微调。但真正救命的，是数据增强结合传统图像处理：对正常样本做随机擦伤、污渍模拟，生成大量“假缺陷”。不过得小心，模拟得太假反而会让模型学歪。有一次我加了高斯噪声模拟灰尘，结果模型把所有带灰的背景全判为NG，产线直接瘫痪了😅 标注也是个巨坑。给金属表面划痕打标，不同质检员标准不一——有人说超过2cm才算缺陷，有人觉得1cm就算。标注不一致，模型就会精神分裂。后来我们强制用了缺陷等级划分标准图，所有人照着比对。

部署上线后的持续阵痛

模型在实验室精度99%，一到产线跌到80%，这种剧情反复上演。为什么？实验室是恒温恒湿、光照稳定的，产线呢？早晚光线变化、设备老化、油污雾气……什么都来了。有一次更绝，上线第一天好好的，第三天开始疯狂误报。查了半天发现，是隔壁工位新换了一批清洗剂，挥发出的雾气覆在相机镜头上，形成了薄雾——图像对比度细微变化，人眼都难察觉，算法却敏感得要命。问：“为什么视觉系统上线后，性能会不断衰减？怎么应对？” 答：这叫模型漂移，根源是输入分布随时间变化。我们的对策是：定期从产线抓取新批次图像，做在线重训练，同时监控模型置信度。如果连续出现大量低置信度判定，就触发报警人工介入。另一个狠招是边缘计算——直接在产线工控机上跑模型，降低延迟，还能把异常样本实时上传中心服务器，形成闭环。但工控机算力有限，必须做模型剪枝或量化——这个平衡点很难找。

别只盯着2D！3D视觉正在悄悄破局

平面图像搞不定的，就该让3D视觉上场了。比如装配间隙、螺丝浮高、焊点隆起——这些需要高度信息的检测，用2D就是耍流氓。去年帮一个新能源电池厂做了个点云处理方案：激光轮廓仪扫描电芯极耳，生成点云，再计算平整度和焊点体积。精度达到±0.05mm，比老师傅用塞尺快十倍。但开发过程一言难尽：点云去噪、配准、分割，每一步都有坑。尤其钣金件反光，点云会出空洞，需要补全算法。

最近生成式AI给了点惊喜。我们用GAN生成缺陷样本，把稀缺的焊接气孔缺陷扩充了十倍。但训练GAN本身就像炼丹，模式崩溃、训练不稳定——经常生成一堆四不像。不过效果好的时候，确实能提升小样本场景的检测率。实话讲，CV在工业界还没到“通用智能”。它更像一个需要精心伺候的精密仪器。别指望买来即用，得往里砸时间、砸懂行的人。但那些真正跑通的项目，回报也实实在在——有的厂省了二十个质检员，有的把漏检率从千分之五压到百万分之几十。所以呢，如果老板再让你“搞个AI视觉”，先把这篇甩给他看。搞清楚硬件基线、数据策略、迭代机制，再谈落地。千万别脑子一热就冲进去——钱倒是小事，耽误了生产节拍，那才是真要命。🤕 （本文基于近三年汽车零部件、电子代工、纺织行业落地案例整理，技术和坑点均来自一线实践。）

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）落地工厂：从“看起来很美”到真正的降本增效 https://www.dachanpin.com/a/tg/56787.html