机器学习质量检测：我们踩过的坑和意外的惊喜

去年这个时候，我们在一条SMT贴片线上试水机器视觉检测。本来信心满满——是吧，深度学习火了这么多年，AOI设备加个GPU总该脱胎换骨？结果上线第一天就翻车。误报率高得离谱，操作工直接关了报警，继续用传统算法。那场面，真叫一个尴尬。

后来复盘发现，问题不是出在模型，而是训练数据的分布。实验室里攒的缺陷样本，和产线上真实的灰尘、划痕、氧化程度根本不一样。这大概是很多工厂初次接触机器学习质量检测时的典型遭遇：概念验证很美，落地满是狼狈。

数据：你以为的缺陷不是真的缺陷

做工业视觉的人常常掉进一个幻觉：只要收集足够多的缺陷图片，模型就能学会判别。可实际上，产线上的OK品远比NG品千奇百怪——批次间的颜色差异、轻微的工艺波动、光照变化…这些在人工目检时根本不是问题，到了机器眼里全成了异常。

我们在一个连接器PIN脚偏移检测项目里就彻底领教了。初期模型把PIN脚带轻微毛刺但电气性能正常的产品全部判退，造成整批返工。质检主管气得拍桌子：“你们这AI是不是瞎？”后来我们用无监督异常检测配合少量误标注标签，才把误报从23%压到0.8%以下。说实话，纯有监督学习在复杂工业场景下就是个美丽的谎言。

模型部署：工控机上的生存法则

很多人以为模型训练完就完事了。大错特错。实际产线上，推理延迟比模型精度更要命。我们遇到过一条高速分选线，每秒30个工件，当时用的是ResNet-50做分类，加上图像预处理，单张推理跑到80ms——产线直接卡成PPT。最后还是老老实实换成MobileNetV3，自己用TensorRT量化成INT8，才勉强踩到25ms以内。

还有环境适配的问题。车间里的振动、灰尘、电磁干扰…实验室架着环形光源拍出来的图，和现场简直两个世界。有一次相机支架被旁边冲压机震歪了3度，检测框全局偏移，系统疯狂报警停线——而那批料只是位置偏，本身没坏。后来我们在模型输入前加了仿射变换动态校准，并把产线振动数据接入做自适应补偿，才避免这种惨剧。

问：机器学习质量检测能不能替代全部人工目检？

答：目前看很难。特别是在外观装饰件这类主观性强的领域，比如手机外壳的色差、纹理一致性、极细微划伤，机器定义的标准往往和人的感知差异很大。我们更推荐“人机协同”——机器过滤明显缺陷，把可疑品和边界品挑出来，让人做最终判断。尤其批量小、换型频繁的产线，纯自动化成本根本不划算。

问：小批量多品种的工厂怎么低成本起步？

答：别上来就买成套AI检测设备，太贵。可以先用工业相机+开源框架做离线验证。用几百张缺陷图和正常图训练一个小型分类模型，在任意电脑上跑通流程。如果能将误报率控制在可接受范围，再考虑集成。还有一个捷径：找已经封装好行业know-how的云平台，比如做齿轮、轴承、焊缝检测的垂直SaaS，它们往往预训练了通用缺陷模型，用少量本厂数据微调就能用。

持续学习：模型也要“打怪升级”

很多人以为模型部署完就一劳永逸。天真了。我们有个注塑件缩水检测模型，刚上线时准确率95%，三个月后掉到80%以下。追查才发现，注塑机料筒温度随着季节变化有漂移，导致产品外观细微变化，而模型根本没学过这些新样式。后来我们建立了产线数据回流机制，每天自动收集人工复判结果和线上低置信度样本，每周做一次增量训练，模型准确率才稳定住。

不过话说回来，持续学习的难点在于灾难性遗忘——学了新缺陷，忘了老缺陷。试过弹性权重巩固（EWC），但在工业数据流上效果一般，还是得靠重放缓冲区。现在我们的做法是保留最近三个月的数据，加一定比例的历史关键样本，效果还行。但这套东西对工厂的IT基础设施要求不低，中小厂实施起来有难度。

最后聊个挺打脸的事：我们做过一个铝铸件气孔检测的项目，用X光图像+分割模型，前期指标都很漂亮。结果客户工厂的X光机是20年前的老款，图像噪声严重，对比度极差，模型直接成了半瞎。最后不得不用传统图像增强+自适应阈值硬怼，反而比深度学习方案稳定。所以啊，不要迷信算法，先看清现场硬件条件——这是无数血泪换来的教训。

机器学习质量检测这条路，远景诱人，近处全是细节。它更像是手艺活，得蹲在产线旁一点点磨，而不是会议室里PPT上画的华丽曲线。那些宣称一劳永逸的解决方案，多半没下过真正的工厂。