上周去昆山一家汽配厂，刚进车间就被老张拉住吐槽。他是质检科的头儿，干了十五年，手上过过的零件少说也有几百万件。‘这套视觉检测系统，当时花了两百多万，现在呢？误报率快把我逼疯了！’ 他指着一台设备，屏幕上红框跳个不停，操作工干脆把报警声关了，手动在复判——人眼比机器还快，你说讽刺不讽刺？

工业视觉检测系统流水线安装现场

老张的遭遇绝不是个案。这几年工业视觉火了，好像不搞个AI质检就跟不上时代。但是，从实验室的99.9%到产线上的70%，中间的落差能把人噎死。我见过最夸张的案例，一家锂电池企业，上线头三个月，误判率高到后端复判增加了八个人，成本不降反升。老板脸都绿了。

精度迷思：99%就够了吗？

很多人以为，检测嘛，精度高就是王道。其实根本不对。产线上真正要的是过杀率和漏杀率的平衡。你漏过去一个缺陷，客户投诉、退货、甚至安全事故；你杀得太狠，良率直接崩掉，成本hold不住。这里面有个残酷的现实：缺陷检测不是分类问题，而是异常检测。缺陷长得各式各样，谁也没法穷举全。

去年我帮一家连接器厂商做评估，他们的要求听起来简单：检测端子弹片缺口。但实际呢？弹片反光角度一变，灰度差能把缺口淹没掉。传统算法死调阈值调到吐，深度学习模型上了三个，小样本训练出来的东西泛化能力差得一批。后来怎么解决的？说起来都是泪——我们老老实实蹲在产线收集了两个月的负样本，又用合成数据扩增了五倍，最后模型才勉强到可接受范围。

速度与成本的死结

很多方案在PPT里看着很美，一上高速产线就趴窝。连接器行业，动辄每分钟两千次的节拍，检测算法必须在十几毫秒内完成。你算力堆上去了，工控机成本爆炸；用边缘计算盒子吧，有时候延迟一飘，直接就来不及拍照。有一回调试，相机触发信号跟机械动作差了半拍，拍出来的全是拖影，检测直接报废。

问：既然AI检测这么难，为什么大家还一窝蜂上？

答：没办法啊，人工招不到、留不住。现在的年轻人谁愿意一天十个小时盯着显微镜看缺陷？眼睛都看瞎了。而且人工有情绪，累了、困了，漏检率就波动。机器至少不知疲倦。不过说实话，现在很多厂是被‘智能制造’的概念裹挟着上，根本算不清 roi，想着先上了再说，结果掉坑里。我见过最离谱的，上了一套系统，最后只用来做尺寸测量，缺陷检测还是靠人，理由是‘误报太多，不如人眼准’。

AI视觉检测屏幕实时缺陷标记图

数据：那个绕不开的脏活

搞视觉检测，十有八九会栽在数据上。训练模型需要大量负样本，但真实产线上，缺陷件比例可能连千分之一都不到。你收集一个月，可能就几十张图片，还是同一种缺陷。然后呢？数据标注更是噩梦。外协标注公司不懂工业缺陷，画出来的框能把人气笑；自己标注吧，质检员本来就没空，勉强标出来的质量也堪忧。我们有一回标焊点缺陷，内部定了十八个类别，结果质检员自己都经常标混，模型训练出来乱得像一锅粥。

问：那有什么实用的办法解决小样本问题？

答：数据增强当然是必须的，但工业图像不能瞎增强。你镜像一下、旋转一下对金属表面纹理可能有效，但对方向性缺陷，比如划痕，就得小心。更有效的是用仿真生成——用3D软件模拟缺陷贴到正常件上。我们现在大量用这种方法，前提是你得把光学环境也仿准，否则域漂移能气死人。还有就是迁移学习，拿公开数据集预训练，再在少量工业数据上微调。另外，把传统算法和深度学习结合，做级联检测，也是省数据的路子。比如先用传统方法快速滤掉明显OK的，剩下可疑的再交给AI细判，这样AI模型就不需要覆盖所有简单样本，压力小很多。

落地要先想清楚三件事

落地要先想清楚三件事

每次有新项目找到我，我都会先问：

• 你们的容忍度到底是多少？ 漏检率必须零吗？过杀率能接受5%吗？别跟我讲越高越好，那是废话。
• 工艺稳不稳？ 如果前道工序本身就飘来飘去，视觉检测等着背锅吧。来料一致性一差，模型怎么都调不好。
• 有没有持续迭代的预算和人员？ 很多人以为买套设备就完了，其实上线才是开始。新缺陷冒出来，模型要更新，这需要长期的工程投入。

三个问题没想清楚，我劝你千万别急着上。还不如先用半自动设备，把人和机器结合起来，比全自动靠谱得多。

最后讲个稍微让人振奋的案例。去年底我们给一家光伏边框厂做的检测方案，第一次把超声和视觉融合了，专门查内部裂纹和表面划伤。误杀率从原来的23%压到3.2%，漏检没出过事故。关键是，产线工人反而开心了——他们不用再弯腰折腾，还学了些维护技能，工资也涨了。所以说到底，检测不是为了炫技，是真的要帮一线解决问题。那些在空中楼阁上谈‘智能制造’的，趁早歇了吧。