摘要：聊聊我最近做的汽车油封检测项目，为了把尺寸测量和外观缺陷塞进同一个算法模型，踩了不少坑。这篇不扯太多理论，就讲实际选型和工程落地。
上周刚干完一个项目，给汽车油封检测尺寸和外观。油封这东西，外径公差±0.01mm，表面不许有0.3mm以上的划痕。客户要求在一个工位完成，节拍2.5秒。说实话，传统分开干倒是轻松，但搬运定位误差和节拍加一倍，客户不乐意。所以只能把尺寸和外观合在一起。这就是题目说的“一体检测”。
为什么非要把尺寸和外观搅在一起？
先说说传统玩法。尺寸检测用背光，剪影轮廓，亚像素边缘拟合，精度能到微米级。外观检测用正光或斜光，抓划痕、凹陷、脏污。两套光源、两套相机、两套算法，各走各的路。听起来挺合理，但实际上一旦有毛刺凸起，尺寸系统可能把它当成外径变大，误判。更别说二次定位带来的误差。
一体化检测的好处就是定位基准统一，一次成像，同时出尺寸和缺陷。而且两个结果能互相校正。比如划痕在边缘附近，可能影响尺寸提取，算法就可以做局部重测。这种联动信息，分开的系统根本给不了。所以趋势就是这样，逼着你去做一个统一的模型。
算法模型选型：老牌库还是深度学习？
我一开始就没打算用纯深度学习一把梭。尺寸测量要亚像素精度，你用卷积神经网络回归边缘位置，训到天荒地老也未必稳定。但外观缺陷是典型的小样本多形态问题，传统Blob分析被光照一折腾就废。最后我选了混合模型——尺寸部分用传统边缘算法，外观部分用轻量语义分割网络。
这里涉及到一些关键参数。尺寸测量必须用远心镜头，畸变率要小于0.1%，而且视野和相机分辨率得匹配。比如视野20mm×20mm，用500万像素相机（2448×2048），单个像素物理尺寸就是20/2448≈8.2微米。要保证±0.01mm重复性，至少得1/4像素子像素精度，也就是靠亚像素边缘提取算法，比如灰度矩法。
外观方面，我用了一个UNet轻量变体，输入是正光图，输出缺陷掩码。最大的坑是训练数据不足。客户给的不良样本，连一个像样的分类网络都训练不出来。后来学了招：用仿真缺陷数据合成训练集，再做数据增强，勉强把召回率拉上去。但这个要看产品形态，如果是PCB那种缺陷规则的东西，就比较好办。
落地前最后一公里：标定、光照和速度
模型在电脑里再好，装到机台上就变味。先说标定。尺寸测量必须把像素坐标转到物理坐标，用圆点标定板做畸变校正。注意标定板选陶瓷，热膨胀小。圆点标定板比棋盘格好，因为圆心提取重复性能到0.02像素。但标定板千万别有脏污，有一次我标定时没注意，板上有油污，算出的畸变参数全歪了，整批产品误判，气得我差点把板子扔了。还有，标定不是一劳永逸，镜头松动或温度变化都会飘，最好定期放标准件验证。
再说光照，这是所有问题的根源。尺寸需要均匀背光，轮廓锐利；外观需要斜射光，凸显瑕疵。两个相位相反。用一台相机，我建议双光谱方案：一个白光背光，一个红外侧光，配上分时拍摄。或者干脆分两次拍照，背光一次，侧光一次，反正都在一个工位，算好时间就行。但要是碰到磨砂金属件，光源散射能把边缘搞成锯齿状。后来加了个偏振片，图像立刻干净了，这招有效。
速度这块儿，2.5秒节拍内，你得完成两次成像、标定补偿、尺寸算法、深度学习推理、结果同步。我是用C++和OpenCV，推理引擎用TensorRT，把UNet量化成FP16，在RTX 3060上推理一次约20ms。但真正的瓶颈在预处理和尺寸算法。一个技巧是先做ROI裁剪，把2448×2048的图像裁到500×500，再跑边缘检测，速度能快4倍。还有，图像缩放千万别用双线性插值，它会模糊亚像素边缘，用最近邻反而更好，真是反直觉。
一个粗陋但能跑的工程框架
分享一个我现在在产线上用的框架，不花哨，但稳。流程如下：
1. 相机采集原始图；
2. 标定映射到物理坐标系；
3. 背光图做尺寸测量，得到关键尺寸及超差状态；
4. 侧光图送入轻量分割网络，得到缺陷掩码；
5. 两个结果汇总，如果缺陷区域靠近尺寸边缘，就重新测一次边缘，避免缺陷干扰尺寸；
6. 最终输出一个结构体，包含尺寸和缺陷列表。
实现细节上的坑也不少。尺寸测量我用的基于轮廓的方法，先提取最大连通域，再拟合圆或直线。拟合前必须剔除离群点，否则一个灰尘点就能把直径拉偏几十微米。我用RANSAC，迭代次数别设太大，不然超时。外观分割出的掩码，要用连通域过滤噪点。阈值怎么算？按像素分辨率换算。比如最小缺陷0.3mm，像素尺寸8.2um，那么缺陷直径约36.6像素，面积阈值就是π*(36.6/2)^2≈1050像素，小于这个的直接丢弃。
另外，别忘了经验法则校验。比如尺寸超差但缺陷面积很小，可能是边缘毛刺，不是真实变形；缺陷在非功能面，也许客户能接受。这些规则得和客户一条条确认，做成可配置判定矩阵。这块算法替代不了。
结尾说一句，这套方案已经在我两个项目里稳定跑了半年多。但每次换新产品，还是会冒出新的幺蛾子。视觉检测这行，没有银弹，只有持续调参、打标和优化。希望我这些经历能让你在一体化检测路上少踩几个坑。
