计算机视觉（CV）在工业质检中的实战：从踩坑到真香

去年秋天，我们给一条发动机缸体产线做缺陷检测方案，销售拍胸脯说CV搞定一切，结果现场打光就折腾了两周——那种挫败感，啧。但后来准确率干到99.7%，产线老师傅都服了。说实话，计算机视觉在工业里，真不是你跑个YOLO就能交差的。

为什么传统图像处理越来越不顶用

十几年前做字符识别，OpenCV加个模板匹配，OCR（光学字符识别）就能读个七七八八。现在呢？产品表面纹理复杂、缺陷形态随机、背景反光乱七八糟。写过固定阈值分割的都知道，换一批料就废。更别提柔性产线——同一工位可能来三种型号，传统算法得写疯。

我曾经在一个笔记本外壳检测项目上，用形态学算子去划痕，光调参数就花了三天，结果虚线划痕根本抓不全。那会儿就明白：规则是写不完的。💡

后来转向深度学习，特别是卷积神经网络（CNN），情况变了。给一堆标注好的缺陷样本，网络自己学特征。划痕、脏污、压伤，五花八门的缺陷它都能泛化。不过，坑也一个接一个。

我们是怎么掉坑里，又怎么爬出来的

第一个坑：数据。你以为供应商能给你成千上万缺陷图？做梦。初期只有几十张典型不良品图片，而且还是不同光照下拍的。——数据增强都救不回来。我们被迫做迁移学习，拿ImageNet预训练模型，用那点可怜数据微调。结果过拟合得一塌糊涂，车间一换灯光就飘。

后来学乖了，在工厂蹲点收数据，用自动标注工具预先筛一轮，再人工修正。同时搞了生成对抗网络（GAN）来造缺陷，把样本量硬扩到几千。这招挺灵，但过程累得够呛。

第二个坑：速度。产线节拍30秒一个件，所以推理必须在2秒内完成，包扩图像采集、预处理和算法运行。当时选了ResNet-50，不算重吧？但在工控机上的CPU推理慢得像蜗牛。换成GPU，成本又超标。最后用了INT8量化加TensorRT部署，勉强压到800毫秒。真的，工业场景下模型轻量化不是选修，是必修。

问：工业CV部署，硬件选型有什么讲究？

答：这问题太实在了。千万别信“普通摄像头也能用”这种鬼话。我们吃过亏。工业现场光照不稳定、震动大，必须用工业相机，全局快门是底线，卷帘快门拍移动物体那畸变简直灾难。镜头也要选低畸变的，否则边缘缺陷直接变形漏检。光源更关键——同轴光、环形光、背光都得试，有些缺陷在某个角度下才会显形。计算平台的话，如果产线节拍要求不高，用嵌入式AI模组像Jetson系列挺合适；要求高的，老老实实上带GPU的工控机。我们还用过FPGA做预处理加速，省下不少时间。总之，先搞清检测指标再定硬件，别反过来。

从2D到3D：信息多了，麻烦也多了

前年做连接器引脚高度检测，2D算法根本测不准，因为引脚变形可能只翘了0.1毫米，二维图像上看就是几个像素的阴影。被迫上3D视觉。激光三角法、结构光、ToF，一轮调研下来，发现结构光受环境光干扰大，最后用激光线扫，配合点云处理。

但3D点云的数据量太大了，一帧几十万点，处理时间直接爆表。得先降采样，再用RANSAC找基准面，然后分析高度偏差。算法写得很痛苦，因为点云噪声比图像还烦人——反射率高的金属面会飞点。不过搞定之后，精度稳定在0.02毫米，客户那边总算不再投诉了。✅

这里有个教训：不要为了技术先进就硬上3D。很多场景2D加好光源完全够。我们评估时做了个判定矩阵，把缺陷按能否在二维图像中清晰成像分类，结果一半项目根本不用3D。省了一大笔钱。

问：团队没有AI专家，怎么上手CV质检项目？

答：现在工具链成熟多了，别怕。我们最开始也是一帮搞机械和自动化的，连PyTorch都不会搭。建议从低代码平台入手，比如一些国产工业视觉软件，内置了常用模型，拖拽式训练，对简单场景够用。但复杂缺陷还得自己搞。可以这么切入：找个开箱即用的预训练模型（比如Detectron2），先用几百张图调参试试，跑通流程再说。关键是建立一个快速试错机制——不要等完美数据集，先用小样本跑起来看baseline，再迭代。另外，招聘上不一定非要博士，找个会玩OpenCV和Python的工程师，学习能力比经验重要。我们现在团队核心就两个机械出身转AI的，全是自己踩坑踩出来的。

维护比开发更难

上线半年后，模型开始抽风：漏检率从0.3%涨到2%。查了半天，发现是供应商换了清洗剂，产品表面残留有细微变化，人眼都看不出来，但模型不认了。这种数据漂移最头疼。我们被迫建立了一套定期retrain的机制，产线客户每季度会送来新批次样本，我们在云端训练后OTA更新。同时监控系统会统计每天检出率的分布，异常就报警。说实话，CV上线只是开始，后面的运维才要命。

另外就是误报。产线最烦误报，一个误报可能导致整条线停下来复判。我们后来加了一个级联策略：第一级模型高召回（宁可错杀），第二级复杂模型做精筛，把误报压下。第二级可能引入人工复判，把难分样本送给远程专家，形成闭环。这招很有效，产线线长终于不骂我了。❗

所以啊，计算机视觉在工业界，不是实验室里跑个99%的准确率就万事大吉。你要面对的是脏乱差的现场、永远不够的数据、吹毛求疵的节拍和不断变化的物料。但一旦跑顺，那种从传统人工目检解放出来的爽感——真香。至少现在老师傅们再也不想用放大镜了。