机器学习质量检测：我们踩过的坑和捡到的宝

那个下午，工厂的检测线突然停摆。屏幕上一片红——所有零件都被判为缺陷品。厂长瞪着我，桌角的咖啡凉了第三杯。我手指发麻地翻看日志，发现一个离谱的原因：换了个光源灯泡，模型就不认了。真的，就这么脆弱。

说实话，那是我第一次觉得机器学习在工业检测里像个娇气的精密仪器——平时好用，稍一干扰就翻脸。但你说它没用吗？也不是。去年我们一条产线，用传统算法死活调不好的焊点缺陷，换成一个小卷积网络，漏检率直降70%。❗

这事儿没法一棍子打死。关键是你得知道哪儿是肉、哪儿是骨头。

数据：你以为的宝藏，其实是坑

搞工业检测的模型，大家总爱吹“我有百万张图”。可真实产线呢？正样本多得像沙子，缺陷样本比金子还少。而且缺陷长得千奇百怪——划痕、凹陷、毛刺，甚至混入的头发丝。标注人员看着图经常吵成一团：“这算不算划痕？”

所以别信什么“有数据就行”。我试过用生成对抗网络来造缺陷图，结果模型学去学来，只学会了生成器里那诡异的纹理……产线上根本不对路。💡 反而是一些小手段好用：比如把历史NG品的局部裁切出来，做缩放、旋转、亮度变化，硬生生扩充出三四千张。再结合迁移学习，用ImageNet上预训练的ResNet18，冻住浅层只训后面——小样本也扛得住。

问：难道不能直接把所有疑似缺陷都标上，让模型自己学区别吗？

答：理论上可以，但实际工厂等不起。你想想，一条冲压线每分钟出60个件，人工复判只能抽检5%。靠弱监督或半监督那套？遇到没见过的缺陷类型，模型要么报一堆假警，要么悄悄放过去——后者更可怕。所以必须建立闭环：每日把模型判为模糊的图片推给老师傅，标注后回炉重训。这个过程很慢，但扎实。

模型选择：轻量还是大力出奇迹？

工业界跟学术界真不一样。顶会上SOTA模型动不动几百层，But……产线上跑推理的电脑可能只是个带集成显卡的工控机。你还得实时——每张图300毫秒内出结果，否则产线就要卡壳。

我走了一段弯路：一开始用了YOLOv5，想在嵌入式Jetson Nano上做实时缺陷检测。结果帧率卡在8 FPS，完全跟不上传送带。后来换成MobileNetV3-SSD，又用TensorRT剪了枝，推理时间缩到40ms，但准确率掉了些。权衡下来，针对我们的瓶盖瑕疵检测，最终定制了一个只有4层卷积的小网络，输入图放缩到224×224，配上数据增强，准确率竟然没差太多。😌

所以啊，别瞧不起小模型。边缘端搞机器学习质量检测，轻量化是硬道理。

问：多品种小批量怎么办？换产品就得重新训练吗？

答：这是最头疼的。我们做连接器检测，上百种型号。一个基座模型+少量样本快速微调也许行，但我们的实战是：用特征提取+度量学习。只为每个良品建一个特征库，新图过来比较相似度，低于阈值就报警。虽然不够“智能”，但上线快，还能让产线接受。不过，碰到反光金属件，误报率飙升，又得补上对抗生成的光照变化训练。唉，都是泪。

落地最后一公里：从实验室到产线的鸿沟

实验室里，模型是皇冠上的明珠；到了车间，它就只是个“大零件”，得跟相机、光源、PLC通信、MES系统协同。而现实是：工业相机架设位置偏了几毫米，图像边缘就出现模糊；车间早晚温差让金属件反光特性变化；甚至旁边冲压机的震动，都能让镜头对焦慢慢漂移。

这些，学术论文里从不讨论。所以我们后来做了一套漂移监测：每天早班放一组标定件，系统自动拍照计算特征的统计分布，一旦偏离就报警。即使这样，还是需要人工定期复核。毕竟，机器不会为“放错方向”的零件负责——人得兜底。

问：模型更新后，怎么保证效果不下滑？

答：必须做AB测试。我们在产线上开两路，旧模型继续判，新模型只记录不参与控制。连续对比一周，确认新模型的各项指标——尤其是漏检率和误报率——都更优，才切换。还要保证老版模型随时可回滚。这不是技术问题，是流程问题。

我有时候想，行业里天天喊智能制造，其实最缺的不是算法，是懂工艺又懂数据的人。一个老质检员瞥一眼就能看出异常，但他的知识怎么传给机器？这中间有巨大的缝隙。比如一个简单的轴承滚子，老手听声音就知道有没有裂纹，但用声发射传感器采集数据再去分类，就涉及采样率、降噪、特征选择一大堆坑。说到底，机器学习质量检测不是万灵药，它是一台需要持续校准的天平——一端是技术，另一端是场景。

行了，今天就唠到这里。你要是也在搞这玩意儿，大概率懂我在说什么。