工业计算机视觉（CV）检测真的那么神？一位老工程师的苦笑不得

那天厂里那台视觉检测设备又误报了。✅ 三百个零件，它给我标红了四十七个，产线的小伙子们一脸懵，看着屏幕上的红框直摇头。说实话，这套系统刚上那会儿，我是挺兴奋的——毕竟干了二十年质检，谁不想让机器帮忙？可现实……唉。

工业计算机视觉（CV）这几年热得发烫，好像不挂上“AI检测”都不好意思说自己是搞制造的。可真正在产线上跑过的人都知道，这玩意儿既不是万能药，也不是摆设。它就像个脾气古怪的老师傅，有时候比人眼毒，有时候又轴得气人。

从“看个大概”到“吹毛求疵”——成像这关就不好过

先泼盆冷水。很多人以为计算机视觉就是拿个摄像头一拍，算法一跑，缺陷全现形。哪有那么轻松！单说打光，就够折腾半年。金属表面反光？得用漫射光源。凹坑缺陷？必须低角度掠射。如果是透明玻璃件……光是消除背景干扰就能让你脱一层皮。我们之前测一个汽车发动机缸体的内部划痕，光路方案换了十几版，最后还是靠3D结构光才勉强搞定——对，就是那种带条纹投影的东西，拍出来一片片点云，再配准、分割。每次调参都像在玄学。

不过话说回来，一旦成像稳定，CV算法的威力就出来了。我记得2019年第一次用深度学习做缺陷分类，准确率从78%直接飙到96%，当时全组人都惊了。对，就是那种简单的卷积神经网络，把几千张标注好的图片扔进去，它居然能认出比头发丝还细的裂纹。但兴奋没持续多久——模型一上线，误判率又上去了。为啥？训练集的光照和现场不一样。这不就是经典的域漂移吗？

❗ 所以我现在见人就说：工业视觉的成败，六成在成像，三成在数据，算法可能只占一成。不信你找个干净的实验室数据集跑分试试，再拿到注塑车间对比一下，绝对想砸电脑。

模型训练：你以为喂点数据就完了？

聊到数据，这又是另一个大坑。工业场景下的缺陷样本，很多都是“百年一遇”。生产线半年不出一次断头刀痕，你怎么训练？我们曾为了采集一个特殊划伤样本，硬是等了两个月，最后靠人工模拟才凑够一百张。然后呢？模型学会了分辨人工划痕和自然划痕……简直抓狂。

问：既然数据这么难搞，为什么不用传统图像处理？非要上深度学习？

答：好问题。说实话，如果缺陷特征明确——比如测量间距、计数、颜色分选——传统算法（边缘检测、模板匹配）够用了，还快。但遇到纹理复杂、缺陷形态随机的场景（像铸件砂眼、布匹瑕疵），深度学习的鲁棒性确实高出一大截。不过代价就是：你需要大量标注，而且模型像个黑箱，出了问题很难解释。有一次一个关键尺寸超差，系统没报警，复盘时发现是图像对比度太低，网络根本没“看到”边缘。能怪谁？还是数据没考虑到弱光照。

我现在带团队，每次都强调：先上传统方法，不行再考虑CNN、Transformer这些。别一上来就追热点。去年有个项目，用ViT做表面缺陷，精度是高了，但推理速度太慢，产线节拍跟不上，最后又退回轻量级ResNet，加了知识蒸馏才勉强达标。折腾。

而且还有个小私心——传统方法可解释性强啊。客户审厂时，你总不能指着黑箱说“它自学的，我觉得行”吧？💡 工业圈子里，“知其所以然”永远比“知其然”重要。

落地那些破事儿：灰尘、振动和永远不准的触发器

算法再牛，设备在现场跑不动，全白搭。你们试过在冲压车间装摄像机吗？那振动，用气浮平台都不管用，最后我们焊了个龙门架，把相机吊起来，再加减震海绵，才把图像抖动压到亚像素级。还有灰尘——镜头脏了，检测精度直线下降，可操作工哪会天天给你擦？后来加自动吹气装置，又担心吹坏了精密工件……永远有想不到的麻烦。

问：现在不少厂商推AI质检一体机，号称开箱即用，可靠吗？

答：我试过几款，感觉更适合标准化产品，比如手机屏幕、PCB板这些。一旦涉及非标零件，或者环境恶劣，现成的方案基本得大改。那种一体机往往只留了有限的参数调节，深度学习模型也是针对通用场景训练的，遇到你的特定缺陷可能根本认不出。我们帮一个五金厂调了三个月，从更换光源到重训模型，最后发现还不如他们老质检员肉眼快。所以，除非你是标准化产品的量产线，否则计算机视觉（CV）项目千万别想“即插即用”。做好二次开发的准备，以及——预算要留够。

说到这里，我忽然想起去年在展会上看到的一个demo：用多光谱成像检测水果糖度，顺便还能分选颜色和磕碰，速度飞快。那时候我在想，工业视觉是不是也快走到这一步了？从可见光扩展到红外、紫外，甚至太赫兹……也许再过五年，我们就不用跟反光较劲了。但眼下，还得老老实实磨数据、调参数、修硬件。

❗最后一句忠告：别信那些PPT上的完美曲线。真正管用的系统，都是在产线上灰头土脸迭代出来的。