去年夏天，在宁波一家汽配厂，我们部署的第一套CV缺陷检测系统上线第三天就翻车了——漏检率飙升到12%，产线主任黑着脸问：“你们这人工智能，到底行不行？” 说实话，那一刻后背全是汗。
➡️ 选相机还是选算法？顺序搞反就是灾难
很多集成商上来就聊YOLOv8、Transformer，却连现场光照都没测过。真到了车间，油污、振动、杂散光……哪个都能让你模型直接瞎。我们的教训是：先确定成像方案，再谈算法架构。比如那次检测刹车盘裂纹，用了背光+远心镜头，传统边缘提取居然比深度学习还稳。别笑，现实就这么打脸。
当然，算法不是没用。遇到复杂纹理、随机缺陷，卷积网络确实是利器。但喂进去的数据要是渣，出来的结果就是屎。标注质量比数量重要一百倍——我们一个项目，外包团队标了五万张图，结果自己人复查发现40%的边界框都偏了，重标花了两周。血泪啊。
🧠 模型部署：轻量化不是砍参数那么简单
现在都追求边缘计算，把模型塞进智能相机里。你猜怎么着？量化后精度掉点掉得妈都不认识。用TensorRT优化吧，有时候算子不支持，还得自己写plugin。好不容易跑起来了，推理时间还是超了节拍。我们最后是用知识蒸馏，把大模型教小模型，再加了模型剪枝，才勉强守住12ms。每个产线都有它自己的脾气，对吧？
问：CV在工业上到底能不能取代人工质检？
答：完全取代？早着呢。但把人从重复枯燥的活儿里解放出来，是已经做到的事。比如手机中框外观检测，六台相机同时拍，AI筛出嫌疑品，人只要复核那不到5%的NG品。效率提升四倍，质检员再也不用瞪到眼花。不过话说回来，遇到新缺陷类型，模型可能直接哑火，这时候还得靠老师傅的经验。
💥 数据不够？合成数据是双刃剑
工业缺陷天生就是小样本，良品一大堆，缺陷没几个。我们试过用GAN生成缺陷样本，确实能扩充数据集。但生成的数据如果太假，模型学到的就是错误特征。有次我们把合成裂纹喂给模型，结果产线上真遇到类似水渍的纹理，模型疯狂误报。后来学乖了，一定要混入真实负样本，哪怕只有几十张，再配合域随机化，才把误报压下去。
问：3D视觉现在那么火，普通2D相机是不是要淘汰了？
答：完全两码事。3D用在高度测量、无序抓取确实牛，但大部分检测还是2D的天下，因为便宜、快、易部署。激光三角法、结构光这些3D方案，对振动和反光敏感得要命。我们就遇到过镜面金属件，结构光打上去一片白，最后没办法，改用线激光扫描才搞定。选型得看你实际场景，别跟风。
还有个槽不得不吐：很多厂商把“AI”当噱头，一个简单的颜色识别也硬上深度学习，就为了报价高。咱们做技术的，得有良心。能用传统视觉稳定解决的，何必非用GPU？省下的成本给客户买排骨不香吗。
🔧 标定与手眼协调：细节弄死英雄汉
机器人视觉引导，九点标定是基础，但现场温度一变，连杆长度就漂，标定直接废掉。我们现在的做法是在线动态补偿，每隔半小时自动重新抓特征点修正。还有一次，机械臂抓着工件去拍照，结果手臂挡住光源造成阴影，定位误差0.3mm，产品直接报废。最后调整了拍照位姿，让手臂先退开再拍，问题解决。这些破事，论文里可不会说。
看到这里你可能觉得，工业CV全是坑。没错，坑很多。但每填平一个，带来的成就感和产值是实打实的。记得第一个项目验收成功时，产线主任拍着我肩膀说：“小伙子，有点东西。” 那种满足，比论文收录爽多了。
最后啰嗦一句：别迷信模型精度指标，客户看重的是过杀率和漏检率的平衡，还有系统别三天两头宕机。稳定性压倒一切。现在我们的系统跑了一年多，除了定期清理镜头灰尘，几乎零维护。是的，工业场景就这么魔幻。
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：工业计算机视觉（CV）落地：产线上的坑，我替你踩过了 https://www.dachanpin.com/a/tg/65249.html
