计算机视觉（CV）在工业质检中的那些坑与突破

说实话，我在工厂里第一次看到 CV 系统，以为质检从此就省心了。结果——啪啪打脸。那是三年前，一条汽车零部件产线，算法把合格件判成废品，停机一上午。老板脸都绿了。但这正是我想说的：计算机视觉（CV）在工业，根本不是一个纯软件问题。你同意吗？环境、光照、机构稳定性，比模型结构重要得多。甚至可以说，80% 的精力花在让相机“看清”东西上，而非算法训练。挺讽刺的，对吧？

质检：视觉系统打败人眼？先过了这关再说

人眼在质检线上，熟练工一眼能看出划痕、缺料、毛刺。但注意力会飘，尤其夜班。视觉系统宣称永不疲劳，可一旦遇到新批次表面处理有细微差异，立马崩盘。我们调试过一条精铸涡轮叶片线，反射率差异让打光方案改了六次。六次！💡 关键点在这儿——稳定的成像环境是 CV 的基石。你得控制好光源角度、亮度、偏振，甚至考虑车间窗户早晨的斜射阳光。忽视这些，模型再复杂也白搭。问：那为什么不用更智能的深度学习模型去自动适应光照变化？答：理论上可以，但实际数据量不够啊！深度学习是数据耗子，你给它喂过各种光照下的缺陷样本吗？没有。工业缺陷本就是小概率事件，再要不同光照，样本稀缺到可怜。更别提模型泛化，换个批次可能全部重来。所以现在靠谱的做法还是：先做硬件稳定，再用传统算法 + 轻量CNN混合。别迷信端到端黑箱。

其实有一段时间，我们尝试域适应和风格迁移，想用合成数据。效果嘛……一言难尽。❗生成的缺陷太“完美”，不像真实的随机性。真实世界的划痕，形状不规则，方向随机，深度不一。后来干脆手工标注几千张，才稳住。这就是工业，没什么捷径。

机器人引导：视觉定位的精度，是“标定”出来的

另一个CV重灾区是机器人抓取引导。3D结构光、双目、线激光，方案一堆。可一到现场，标定误差让你崩溃。记得一次视觉引导上料，重复定位精度要求0.1mm，我们死活只能到0.3mm。查了一圈，问题出在机器人手眼标定的温度漂移上。早晨凉，下午热，机械臂关节膨胀，坐标飘了。真是——想不到吧。✅ 后来加了个热补偿算法，还定期自动校零，才勉强过关。所以聊视觉精度，光看相机指标没用，系统级的误差链分析才是王道。问：3D视觉是不是一定比2D好？我们厂里想引入无序抓取。答：看场景。无纹理零件、堆叠、散乱，当然3D是必须。但3D也更贵、更娇气。有环境光干扰就可能产生噪点。我们试过用深度学习方法直接估姿态，从RGB图训练，不要点云，结果对于弱纹理件效果还凑合，但泛化不行。目前的主流还是结构光+ICP精配准，商用方案成熟。不过别幻想即插即用，任何视觉系统都需要至少2周的现场调试。经验之谈。

数据，数据，数据——工业CV的阿喀琉斯之踵

真的，谈到数据就想吐苦水。算法工程师以为数据集是干净的，拿来就用。实际呢？标注噪声、类不平衡、背景污染。有次一个缺陷检测项目，客户给的样本，缺陷只有二十张。二十张！怎么办？数据增强，旋转翻转加噪声，但根本还是不够。后续用了GAN生成伪缺陷，上线初期确实不错，可到了冬天，温度低，润滑油粘度变化，产生一种新纹理，模型全误报。唉……工业数据分布是会随时间漂移的，模型必须持续学习，但这在产线上可行性几乎为零。你不可能频繁停机更新模型吧。所以我们现在的策略是：OEE优先，允许少量漏检，但严格限制过杀。平衡点难找。💡 忍不住插一句，很多CV创业公司拿公开数据集刷榜，一到现场就拉胯。因为工业没有标准答案。缺陷定义往往模糊，需与工艺工程师反复对齐。这过程，比调参痛苦十倍。最近又尝试AOI设备结合CV，用于PCB检测，光源频闪优化又成了新课题。真的是，没有止境。但也许，这正是工业视觉的魅力所在——痛并快乐着。