相机选型：别被参数表骗了
分辨率和帧率？那只是入场券。真正要命的是动态范围。去年有个项目，检测金属件表面拉丝瑕疵，销售推荐的一款500万像素CMOS相机，实验室里好好的，一上产线直接抓瞎——环境光稍有波动，过曝和欠曝来回跳。最后换了款CCD，像素还低一档，但动态范围大了12dB，问题没了。就这一个小选择，多耗了两周。
算法迷信：深度学习不是银弹
现在一谈CV就是卷积神经网络、Transformer、ViT……说实话，有点走火入魔。我承认，2018年用ResNet做字符识别确实惊艳，但工业界追求的是可靠性和可解释性。上个月一个汽车零部件尺寸测量项目，深度学习模型在标定集上误差0.02mm，结果切到真实产品，偏差飙到0.15mm。查了一圈，是因为零件表面微小污渍被模型当成特征学习了。最后回退到传统边缘检测+亚像素拟合，稳得一批，还省了GPU钱。 这行有个怪现象：很多工程师宁可花一周调CNN参数，也不愿花一小时琢磨成像几何。视觉啊，根本是光的艺术，不是算力堆砌。
系统整合：通信与PLC的痛
单机视觉搞定了，一上整线就出幺蛾子。你以为把结果通过TCP/IP发给PLC就万事大吉？笑话。实际产线上有机械延迟、触发信号抖动、甚至莫名的电磁干扰——这些在教科书里都一笔带过。去年一条包装检测线，间歇性丢包，查了三天才发现是网线弯折半径太小，信号衰减。我真……😤 这是个系统工程，每一个环节掉链子，都没戏。 问：视觉系统如何与西门子PLC可靠通信？ 答：别用Modbus TCP轮询，那效率低得感人。推荐Profinet或者EtherNet/IP，走实时通道，我们在10ms周期内收发结果都没问题。不过务必用屏蔽工业网线，并且远离变频器——血的教训。 问：为什么视觉检测在现场老出现误判？ 答：多数情况不是算法不行，是环境一致性没控制好。振动、温度、照明波动，这些变量在算法设计时往往被忽略。建议先做一轮环境对标，把成像条件固定死，再谈算法优化。否则就是耍流氓。 这些年越来越觉得，计算机视觉（CV）在工业界的应用，真正的瓶颈往往不在CV本身，而在它和机械、电气、工艺的交叉地带。那些被忽视的细节，才是决定成败的关键。 说穿了——你若轻视现场，现场就教你做人。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：计算机视觉（CV）落地工业的十年：那些踩过的坑和意外的收获 https://www.dachanpin.com/a/tg/66583.html
