工业质检场景下的计算机视觉（CV）：从论文到产线落地的踩坑实录

上个月跑了长三角三个汽配工厂，看了不下八套计算机视觉（CV）质检系统。一半没跑起来。要么是误判率太高，工人嫌麻烦不肯用，要么是成本太高，老板算完账觉得回本要五年，干脆停了项目。很多人吹CV要颠覆制造业，我看啊，先跨过工业落地的坑再说。

别光看实验室准确率，工业场景的脏数据才是杀手

但凡你去看集成商的演示，哪个不说自己的CV模型准确率能到99.9%？等你真的装到产线上，错漏一片。为啥？实验室的测试集都是挑出来的「完美样本」，缺陷清晰，工件干净，光线稳定。真实产线是什么样？今天工件沾了切削液，明天毛坯带了铸造氧化皮，换了一批原材料纹理直接变了，甚至夏天车间开灯时间不一样，阴影位置都变。这些变量，实验室的样本里根本没有。

问：我们厂试过开源CV模型，测试集准确率快99%，上线就崩，问题到底出在哪？答：测试集本身就错了啊！绝大多数工厂做标注，只会挑干净的缺陷、干净的合格工件来标，那些带油污、带干扰纹理的「脏数据」全都被筛出去了。模型根本没见过这些情况，当然不会判断。我上个月见一家做精密齿轮的，把模具正常磨损的纹理误判成裂纹，一天误判三百多件，工人要花两倍时间返工，干脆把系统关了放羊，几十万的设备直接躺仓库吃灰。要解决这个问题，很简单，把产线真实采集的脏数据按至少30%的比例放进训练集，逼着模型学会区分干扰和真缺陷，才能用。

中小制造企业上CV，没必要盲目追大模型

说实话，现在行业里的风气不太对，不管什么场景都要上千亿参数大模型，好像参数小了就不够先进。工业质检绝大多数场景，需求很简单：要么找表面缺陷，要么数装配零件，要么量外形尺寸，都是特定场景的单一任务，轻量小模型完全能hold住。浙江宁波有个做小家电塑料外壳的工厂，去年上CV质检，集成商报大模型方案要25万，他们找了个做CV的小型团队，用YOLOv8n改了改，结合传统的形态学分割处理，单张3060显卡带四个工业相机，单帧推理不到10ms，总投入才4万不到，漏检率比大模型方案还低0.2个百分点。 💡 给中小厂提个醒：工业计算机视觉（CV）落地的核心是「够用就好」，能稳定解决问题的小模型，比跑起来卡半天、还需要专门服务器的大模型，值钱一万倍。很多集成商推大模型，说白了就是为了抬报价赚差价，别上当。

问：我们厂规模不大，一年利润也就几百万，上计算机视觉（CV）质检划算吗？答：完全看场景。要是你这个工位是人眼连续盯屏、劳动强度大，还出了错要赔大钱的——比如汽车安全件、植入类医疗耗材、电子连接器，那百分百划算。我见过一家做汽车安全气囊卡扣的厂，之前两个工人两班倒盯检测，一个月人工成本近一万，还每个月都有三五次漏检，一次罚款就是好几千。去年上了一套CV系统，一次性投入不到八万，不到一年就回本，还不用操心工人请假倒班的问题。要是你做的是粗加工毛坯，缺个豁口工人一眼就能看出来，那没必要瞎花钱凑热度。

落地的核心：CV系统得跟工人站在一边

我见过最多的坑，不是算法的问题，是人的问题。很多工厂把CV质检系统做成了监管工人的工具——检测出缺陷就扣工人绩效，动不动就停线，工人能愿意给你好好用？故意挡个镜头，撒点灰尘在玻璃上，系统直接废了，老板还骂算法不行。做的好的项目，都是把CV做成工人的辅助工具。系统先把合格的全筛出去，只把可疑的工件挑出来给工人复核，不会因为误判直接扣钱，工人的工作量反而少了一半，当然愿意用。 ❗ 最近一年我看到的最新实践，很多厂开始把主动学习用在工业CV里，工人复核的时候标错的样本，直接同步给模型自动更新，不用专门找算法工程师跑到厂里调参，用的时间越长，准确率越高，形成正向循环。哦对，还有九成的新手会忽略一件事：工业CV里，光源和相机的重要性，不比算法低。算法再牛，拍出来的图糊成一片，有缺陷也看不出来。很多集成商压缩成本，给你配个几十块的杂牌光源，用俩月发光不均匀了，准确率直接掉十个点，这个坑一定要避开。计算机视觉（CV）不是什么用来拿补贴的概念，也不是能解决所有问题的神药。它就是个帮制造业省人工、降漏检的工具。找对小场景，绕开我刚才说的这些坑，哪怕是小工厂也能用得起、用得好。