在产线上部署 AI 视觉检测：先要做对的那些工程决策

先定义缺陷，再谈相机

在任何硬件问题之前，先确定在这个工件上什么算缺陷、由谁判定。这听上去理所当然，直到你真的验证一次。

从线上取一百件产品，把难判的那些也放进去，让两位有经验的检验员各自独立分成合格与不合格两堆。明显的缺陷上他们会一致。在临界样本上——浅划痕、欠注、能认出但不清晰的印字——常常不一致。

这种分歧才是检测精度的真实上限。如果两个做了多年这项工作的人对同一件产品都无法达成一致，就不存在一个供模型学习的唯一正确答案，任何供应商也交付不出来；因此在定义被固化之前，方案书里的任何精度数字都没有意义。

解决办法不是更好的算法，而是一份书面的缺陷目录——每一类缺陷都有名称、配有图片——以及每一类对应的一组实物边界样件：仍可接收的最差件，和仍判不合格的最好件。这些样件成为标注和验收测试的基准。

一个谁都无法一致定义的问题不可能被自动化，只能被更快地争论。

按选型准则选相机，而不是按品牌选

工业相机选型是算术，不是偏好。

分辨率由你必须看到的最小特征决定。 用视场——工件尺寸，加上它可能偏移的余量——除以传感器像素数，得到每像素对应多少毫米。只落在一个像素上的缺陷不可能被稳定检出，所以要让最小特征横跨若干像素；对比度低时还要更多。超过这个限度的分辨率只是在消耗带宽和景深，何况对比度本来就比像素数更管用。

曝光必须快过产线。 运动模糊等于速度乘以曝光时间：以每秒一米运动的工件，在一毫秒曝光下会拖出一毫米。拖影一旦超过缺陷本身，检测就已经输了。曝光越短，需要的光越多——所以照明和相机是同一个决策。凡是运动中的场景，都要指定全局快门；卷帘快门逐行读出，会把运动的工件拍变形。

面阵还是线阵。 面阵适合在工位上停住或分度定位的离散工件。线阵逐行构建图像，适合连续的料带、板带、挤出型材，或绕轴旋转经过相机的圆柱形工件，并且要求运动速度恒定或与编码器同步。

除非缺陷本身是颜色，否则用黑白。 黑白相机把每个像素都用在细节上，弱光下也更灵敏。只有当信息由颜色承载时才选彩色：元件颜色错误、污渍、印刷颜色与规格的比对。

接口与线缆。 接口决定线缆长度、带宽和成本——长距离用 GigE，工作台上用 USB3，高速线阵用高带宽工业接口。接下来是最不起眼、却造成现场故障最多的部分：拖链专用电缆、带锁紧的连接器、应力释放，以及避开驱动器和焊接电缆的布线。

光源照明方案决定的事情比相机更多

被光照得一目了然的缺陷是个简单问题；同一个缺陷若留给模型从一幅噪声图像里挖出来，就是个昂贵的问题。几种照明几何能覆盖大部分场合。明场照明沿观察轴打光，给出均匀的通用图像，适合印字、颜色和有无判断。暗场照明以掠射角入射，让划痕和刻痕在暗背景上发亮。背光把工件变成剪影，用于轮廓尺寸、孔位和液位。穹顶光源用均匀光包裹曲面或反光工件，是反光表面上印字检测的答案。同轴光沿光轴入射，适合平整的镜面表面和激光打标。

划痕、凹坑和印刷错误是三个不同的照明问题：划痕用掠射光；凹坑改变的是斜率而不是颜色，要用反射随斜率变化的光；印字则需要平整、无眩光的光。想用一套光源同时覆盖这三者，工位最后就是哪样都做得平庸。

然后是环境光，它会悄悄毁掉已经通过验收的系统：下午从采光顶照进来的阳光，换班时打开的另一组顶灯。要用物理手段处理——给工位加遮光罩，配一片与 LED 波长匹配的带通滤光片，并由采集触发发出短促而强烈的频闪，让你的光压过车间的光。

一幅稳定的图像比一个更大的模型便宜。

2D 还是 3D

大部分检测是 2D 问题：有无、位置、平面内尺寸、印字、颜色，以及一切在表面上表现为对比度的东西。

当特征是高度或形状、并且不能稳定地产生对比度时，才上 3D——涂胶线上的胶条高度、引脚共面性、焊缝轮廓、翘曲、未喷漆金属件上的凹坑、不透明容器内的液位。激光三角测量需要相对运动，结构光可以对静止工件工作；两者都难以应对镜面和遮挡，而且每件产品产生的数据量要大得多。

一个实用的判据：如果一位好的检验员能凭一张照片判定这个工件，那就是 2D 任务；如果他必须把工件对着光转动才看得出来，那就是 3D，或者是一种专门的照明几何——而照明值得先试。

标签和印刷核对通常不是 AI 问题

以 AI 检测需求提出来的项目，很大一部分其实是标签和印刷核对，而其中很大一部分是确定性的：条码或 DataMatrix 码的等级评定、把印刷文本与预期字符串比对、核对产品上是不是正确的版本。

难的不是读取，而是预期值从哪里来。如果目标文本是操作工在工位上敲进去的，你自动化的只是一个笔误；代码、批次、日期和版本必须从 MES 或 ERP 的工单里下发下来。机器学习在这里的价值在于印刷质量——拖墨、缺点、曲面上的变形——而不在那一步比对。

关于训练数据，说实话

你的产线绝大多数时候产出的是合格品，这种不平衡决定了检测数据的性质。它让总体准确率变得没有用：在一个几乎全是合格品的数据集上，一个把所有产品都判为合格的模型也能得高分。要按缺陷来评判——抓到了多少缺陷，误判掉了多少合格品。

它也决定了技术路线。异常检测从合格品中学习“正常”，再标记出偏离；它需要的缺陷图像很少，对从未见过的情况也有反应，但它只能说这件产品不寻常，说不出哪里不对。有监督的分类和分割能给出缺陷的名称和位置，这是缺陷目录和 SPC 所需要的，但它们需要每一个类别的真实样本——比所有人预想的都多。无论哪条路线，模型只认识给它看过的缺陷。

再就是漂移。模型是训练那段时间产线的一张快照，而产线是会动的：换了供应商、换了一批材料、刀具磨损、清洁时碰动了相机、工件改版。再训练是一项有责任人、有排期的维护工作，不是一个会结束的项目阶段。

标注这件事需要一个明确的决定，因为给图像做标注的人，就是在为整个工厂定义质量。这件事属于拥有缺陷定义的那些人，依据边界样件来做；否则前面那种检验员之间的分歧，会以标注不一致的形式回来，并且封死后面所有环节的上限。

合成数据和数据增强在特定场合有用。增强——旋转、位置、亮度、对焦上的小幅变化——很便宜，只要不超出工位在物理上能产生的范围。渲染图像最有用的场合，是缺陷本身是几何的、可描述的：缺件、方向装错。最没用的场合是缺陷的外观本身就是未知的，而那正是渲染器编不出来的东西。

不管用什么训练，都要留出一份真实图像的测试集，把临界样件也包含在内。这是判断一个新模型是否真的比旧模型好的唯一诚实办法。

误检是一个经营决策，不是技术决策

每套检测系统都有一个阈值，它在两类错误之间做权衡：收紧，就抓到更多缺陷，也误判掉更多合格品；放松，则反过来。没有哪个设定能同时消除两者。往哪边偏是你这家工厂特有的经济账——一次漏检流出去的代价，对上过度误判在废品、返工和操作工工时上的代价。

这种不对称值得提前规划。过度误判摧毁信任的速度，比漏检快。漏检可以隐形好几周；而一个把合格品判成不合格的工位，一小时之内就会被看见，接下来的反应是可以预料的：操作工开始手动放行，然后干脆不看了，相机就变成了一盏昂贵的灯。

所以必须有人对阈值的位置负责：质量部门一位指名的责任人，设定值写进检验规程，变更留有记录。把结果分成三档而不是两档——合格、不合格，再加一条交给人复判的复审带——可以让检出保持严格，又不至于把临界样本一股脑丢给操作工。在上线之前，用工厂自己的语言定下验收标准：每千件的漏检数，每班的误检数。

屏幕上的一个判定什么也改变不了

图像采集完了，模型给出了答案，而工件本身还什么都没发生。接下来必须有两件事。

执行机构。 剔除必须被物理执行——推杆、分流器，或者一个阻止该工件进入下道工序的互锁——通过 PLC 实现，并把握手设计成：采集失败或推理变慢时进入安全状态，而不是无声放行。剔除动作要用一个能看到工件离开的传感器来确认。一个剔除失败却不声张的执行机构，比没有检测更糟，因为现在所有人都以为这些产品已经检过了。

记录。 判定结果、图像和时间戳，应当挂到工单、批次、序列号、工位和模型版本上，存进 MES 和 QMS。模型版本很重要：一次再训练之后，昨天的判定来自另一个裁判。正是这份记录让检测产生复利——按类别统计的缺陷率变成一个 SPC 变量，追溯围堵从一周的纸面工作变成一次查询。

什么会让部署失败

几乎总是下面这些当中的一个，很少是模型本身。

工件呈现不稳定——工件没有每次都到达同样的位置、角度和距离：振动、松动的支架、清洁时被碰歪的安装座。工装夹具是你能买到的最便宜的精度。

没有责任人的阈值，随着当班的人一起漂移。

改版之后没有人重新训练。 工程变更管理必须把检测系统列为受影响的系统。

不留痕迹的旁路。 操作工需要手动放行的权限，但它必须被记录、被复核。

没有人复看图像。 必须有人按固定的节奏查看不合格图像，以及合格品的抽样；漂移就是这样在客户发现之前被抓到的。

把概念验证的条件当成生产条件。 那场演示是在工作台上、夜里、由一个人把工件拿稳的情况下跑的。

我们的位置

Meta Smart Factory 的机器视觉（Computer Vision）模块覆盖上面讲的检测环节——按你实际存在的缺陷来选定相机和光源，用你自己的产品训练模型，在产线上完成推理——并与我们的 MES 和质量（QMS）模块打通，让判定结果落到工单和批次上，进入追溯和 SPC，而不是停在一盏灯上。剔除动作通过 PLC 执行，走同一套 IIoT 和 OPC UA 连接。

如果你正处在起步阶段，有用的第一步不是做一场演示。而是那个一百件、两位检验员的测试，加上一份书面的缺陷目录——在任何人开始选相机之前，我们很乐意和你一起把这一步做完。