先说个场景。汽车零部件厂，机加工线上下来一批铝合金壳体，表面要求光洁度Ra1.6。检测员用目视加触摸检查，突然发现一个疑似划痕。怎么办？肉眼看不透啊——有人用指甲抠，有人用酒精擦，最后老师傅掏出放大镜，说“这算个屁，抛个光就没了”。于是工件流入下道工序。结果到了客户那边，反馈外观不良率超了千分之五。
这就是典型的“复判”场景。第一道检测（通常是AOI或者SPI）报出缺陷，但机器判得不够精细，尤其是那些模棱两可的缺陷——真缺陷还是假缺陷？能不能通过后续工艺修复？需要一个人来做二次确认。现在，你打算把这个二次确认也交给机器。这件事，比想象中复杂。
复判检测和普通检测到底有什么不一样？
普通检测是“过与不过”的二元分类，复判则是“过、返修、报废”甚至“人工干预”的多分类问题。而且复判必须考虑工艺上下文——比如某个划痕在后续抛光工序能去掉，那就不是缺陷；但同一个划痕出现在已抛光的表面，就得判废。所以复判检测不是简单的图像分类，它是一个带知识图谱的决策系统。说实话，我第一次做复判检测时，就栽在这上面——我用训练好的分类网络去判断缺陷，结果精度惨不忍睹，后来才明白，我连“这个缺陷会不会被下一道工序掩盖”都没考虑进去。
举个例子吧。某精密车削件，外圆表面有轻微车削纹，AOI报出“划痕”缺陷。实际上，这工件后续还要打磨0.02mm，这个纹理早没了。所以复判系统需要知道工艺路线里有没有“打磨”步骤。这已经不是图像层面的问题了。
上面的图大概描述了这个流程。所以，复判系统的设计第一步，不是选相机，而是跟工艺工程师聊天，把他们的“经验”变成规则。这东西常常藏在老师傅的脑子里，你得挤牙膏一样问出来。
硬件选型：相机、镜头、光源的三国演义
复判检测的光学系统，比普通检测苛刻得多。因为你要看的东西可能极其细微——头发丝十分之一的划痕，或者是透明塑料上的气泡，又或者是金属表面的微凹坑。选不好光源，再牛的相机也白搭。
给你一个我踩过的坑。某次做铝合金壳体的复判，我用了500万像素面阵相机，配12mm定焦镜头，工作距离200mm，理论分辨率能到0.018mm/pixel。结果实际打光后，划痕和纹理混在一起，完全分不清。后来改成低角度环形光源，配合偏振片，才把镜面反射压下去，划痕在图像里变成清晰的暗线。
这里有几个参数供你参考：对于金属表面划痕检测，常见配置是4K线阵相机（如果工件是快速运动的话）或者500-1200万像素面阵相机；镜头选远心或不远心要看景深需求，复判场合景深往往要留余量，光圈别开太大——f/8到f/11比较稳。光源的选择是个玄学：环形灯、同轴灯、穹顶灯，各有各的脾气。我的建议是，准备一个可调角度的支架，现场试。
还有一点，你千万别忘了环境光隔离。以前我做个设备，就在窗户旁边，下午三点太阳一照，灰度值漂了十五个值，误判率飙升。后来用遮光罩全包起来才消停。
上面这个图是典型的低角度环形光布局，角度一般控制在10度到30度之间，专治反光强的表面。
算法与决策逻辑——别只盯着深度学习
我知道现在张口闭口都是深度学习，但复判检测这行，传统图像处理加规则引擎依然能打。为什么？复判的样本量太少了，尤其是“灰色地带”的样本，一个典型缺陷可能一周才出现几十个，你用几百张图去训CNN，不现实。倒是传统的阈值、轮廓提取、特征统计，来得快、可控性强、还能解释。
我一般这么干：先做背景校正，再做阈值分割（用局部自适应阈值比较好），然后形态学开闭运算去噪，再提取连通域，计算每个缺陷的面积、长宽比、灰度均值、紧凑度这些特征。接下来就是设定规则，比如一个划痕，长度大于2mm且宽度小于0.1mm且灰度差大于30，判为“可返修”；如果它位于密封面，直接判废。
这些规则，看着像“拍脑袋”，其实都是从老师傅们的经验总结出来的。你就把系统当做一个徒弟，你得把师傅的绝活拆解成一条条if语句。有时候真的想骂娘，因为师傅说“这个看起来不光滑，但也说不上毛糙”，你怎么办？你只能量化“不光滑”的定义，比如用灰度梯度方差。
当然，也可以用深度学习作为前端检测，后端再挂规则决策。我就干过：用一个轻量级CNN（比如MobileNet）给缺陷分类，输出概率，然后把概率作为特征之一喂给规则引擎。这样既利用了深度学习的特征提取，又保留了规则的可解释性。但还是要提醒你，深度学习模型需要持续训练，否则产线工艺一换，模型就瞎了。
数据闭环与标定——复判的终身学习
复判系统不是上线就完事，它得不停“学习”。我说这个学习不是指模型自动更新，而是指工程师要定期把客户投诉、下道工序反馈、人工复判结果拿回来，重新调整阈值和规则。你肯定遇到过：系统上线三个月，一切正常，突然有一天良率暴跌，查半天发现是刀具磨损导致一类缺陷的外观变了，原来的灰度阈值失效了。
所以要建立一个数据闭环：每次复判结果（过/返修/报废）都记录下来，同时保存图像和特征向量。每周生成报表，看哪些判定的置信度低，然后抽出来人工复核。累积一两个月，你就能发现某些缺陷的边界被定得太紧或太松。
标定方面，相机的灰度响应会漂移，光源衰减也是常态。建议每班次用标准灰阶卡做一次校正，记录补偿系数。另外，如果用了多台相机，还要做一致性校准，别让两台相机对同一个缺陷给不同结果。
写在最后
复判检测本质上是一套“决策系统”，不是检测算法。你需要把工艺知识、光学工程、算法逻辑全拧到一块，还得有耐心跟老师傅掰扯。别指望一蹴而就，更别指望人工智能一上来就全自动。先从“人机协同”起步，把流程梳理清楚，再慢慢削减人工干预。嗯，这条路我走了三年，现在才敢说有点心得。
