计算机视觉（CV）在工业质检中的实战心得：从“看得见”到“看得懂”

干这行十几年了，亲眼看着机器视觉从“实验室玩具”变成工厂里的硬刚需。说实话，前几年很多老板还觉得CV是花架子，现在呢？产线上一堆相机盯着，比老师傅眼睛都好使。但你要真以为装上摄像头就能解决所有问题，那就太天真了。

今天聊点实际的——计算机视觉在工业质检里到底怎么落地，坑在哪，怎么填。不整虚的，全是血泪经验。

工业质检的痛点与CV的入场

传统质检靠人，对吧？人眼会疲劳，会情绪化，标准还不统一。一个工件划痕算不算缺陷，老师傅和新手能吵起来。而且现在招质检员多难啊——年轻人不愿意干，老师傅退休了，产能还缺人。

于是CV来了。工业相机、镜头、光源，配上算法，代替人眼做判断。但这里有个核心问题：不是拍张照就完事了，你得让机器“看懂”什么是缺陷。

就拿最常见的表面缺陷检测来说。轴承上的凹坑、螺纹粗糙度、手机中框的划痕……背景复杂，光照变化，稍微有点反光就误检。刚开始我们用的传统图像处理算法，阈值分割、边缘检测，搞了半天，换个产品型号就歇菜。后来深度学习一普及，卷积神经网络（CNN）直接给力多了。

但深度学习也不是万能的。你训练了个模型，准确率99%，一上产线就拉胯。为什么？现场的光照和实验室不一样，相机角度、工件位置，稍微变一点，模型就懵了。所以啊，数据采集的时候就得贴近实际工况。

深度学习与传统算法的“相爱相杀”

有人说传统算法过时了。扯淡！在很多场景下，传统算法又稳又准，还快。比如印刷品上的字符识别（OCR），用模板匹配就挺好。但遇到柔性物体、复杂纹理，传统算法就抓瞎了。

我见过一个案例，某厂做汽车玻璃检测，要识别玻璃上的裂纹。裂纹是半透明的，传统算法死活找不准。后来用U-Net分割，效果立竿见影。但训练数据要标注，人工画裂纹画到眼瞎……

所以现在的主流做法是“混合路线”：传统算法负责简单直接的任务，深度学习负责模糊、复杂的判断。两者分工协作，才是最省心的。

这里有个实战技巧：先用传统算法做预处理，ROI定位、去噪，再扔给深度学习模型做分类或分割。这样既省算力，又提高准确率。对了，边缘计算设备你听说过吧？现在很多部署都搬到边缘端了，Jetson、Movidius这些，不用把数据全传云端，实时性好得一匹。

部署时那些坑——算力、光照与误报

部署CV系统，最烦的不是算法，而是工程问题。光照是最大的变量。有些厂为了省钱，用普通的室内照明，结果工件反光、阴影，图像质量一塌糊涂。最好呢，用封闭式暗箱 + 低角度环形光，或者频闪光源，把环境干扰降到最低。

再说算力。深度学习模型动不动就几百万参数，在工控机上跑得慢，产线节拍答应吗？所以模型压缩、剪枝、量化，都得懂一点。你总不能为了检测一个螺钉，配台十万块的GPU工作站吧？

最后说说误报率。这东西真的会逼疯运维人员。设备老报警，检查发现是虚惊一场，久了大家都懒得理它。真正有缺陷的反而漏过去。所以设计报警阈值时，要平衡漏检率和误检率。这没有标准答案，得跟质检主管一起过案例。

问：你们是怎么处理训练样本不足的？工业缺陷样本本来就少，正样本倒是一堆。

答：这个太典型了。说实话，样本匮乏是工业CV的老大难。我们一般用三个办法：一是做数据增强，旋转、缩放、加噪声，穷尽各种变换；二是用生成对抗网络（GAN）合成缺陷样本，现在技术成熟多了；三是迁移学习，用在大数据集上预训练过的模型，然后微调，少样本也能凑合。但千万别指望合成样本能完全替代真实缺陷，关键场景还是要人工收集。

还有一个坑是标签一致性。两个标注员对同一张图，一个标缺陷一个标背景，模型学个鬼？所以标注规范要写得无比细致，还得双层审核。