为什么你的来料智能检测总是过不了现场验证？
我去年帮长三角一家做汽车底盘螺栓的工厂梳理现有检测线，就见过他们花了一百二十万上的智能检测系统，上线三个月准确率从一开始的98%掉到了82%，换了三波算法工程师都找不到核心问题。
拆开来料环节一个个捋，最后发现问题出在螺栓的包装上。供应商换了防锈包装纸，新纸掉屑，细小的纸屑粘在螺栓的螺纹上，全部被算法判定为裂纹缺陷。
没人提这个。供应商换包装连采购都没说，更别说算法团队了。
说实话，大部分算法团队做来料检测，都是拿干净的、挑过的来料拍样本训练，哪见过现场的阵仗？油渍、灰尘、来料堆叠的阴影、天光从厂房天窗投下来的光斑…随便一个变量，就能把算法打懵。
之前在冲压厂做钢板来料检测，项目验收的时候是阴天，准确率99.2%，完全达标。结果下周连续出了三天大太阳，天窗的光斑扫过钢板表面，准确率直接掉到83%。废了老大劲加了遮光罩，又调整了光源的打光角度，才拉回98%以上。
就这么点小事，前后折腾了半个月，工期延误，还挨了领导一顿骂。说多了都是懊恼。
很多人觉得智能检测就是算法牛就行，其实来料环节80%的问题，都出在现场环境和来料的不确定性上，和算法关系真不大。
核心选型：算法和硬件到底哪个更重要？
不过话说回来，选型的时候很多人都会走错路。要么上来就要搭大模型，说要通用检测，不管什么来料都能测；要么就图便宜，拿消费级的相机镜头凑活用，最后钱花了还没用。
我做项目一直坚持一个原则：来料智能检测，硬件打底，算法适配。所有参数都要符合行业规范，不能瞎凑。按照GB/T 39116-2020 智能制造 机器视觉检测系统技术条件，工业相机的帧率必须大于等于传送带线速度的2倍，才能保证不会漏拍。镜头的畸变率必须控制在0.1%以内，不然尺寸测量直接差出好几个丝，精度根本达不到要求。
我刚入行做项目的时候，图便宜选了一款标称畸变率0.08%的消费级镜头，省了快八千块钱。结果用了三个月，车间的油雾渗进去，镜头内部起雾，边缘成像全糊了。不得已全部换成工业级定焦镜头，前后花了两倍的钱返工。
这个坑，我现在见一个人说一次。别省硬件的钱。
算法上其实不用追新，大部分来料检测都是固定品类，都是检测固定缺陷：裂纹、尺寸超差、变形、缺料…用YOLOv8加上传统的阈值分割，准确率就能做到98%以上，速度还快，单帧推理不到10ms，完全能跟上每分钟几十件的来料节奏。非要上什么千亿参数大模型，推理慢不说，还容易过拟合，换一批来料就歇菜。
标注数据也有讲究，必须拿现场实际来料，哪怕脏、哪怕有各种干扰，全部要放进训练集。我见过很多团队拿实验室摆拍的干净样本标注，训练出来准确率100%，一到现场直接垮掉，白忙活几个月。
选型本质就是权衡，你要做1mm以下的微裂纹检测，就必须上500万像素以上的相机加微距镜头，成本自然上去；你只是做来料缺件计数，那一两百万像素的工业相机都够用，能省则省。对吧？
上线后怎么维持长期稳定的准确率？
很多项目上线验收完，就没人管了。过了半年，准确率掉的一塌糊涂，才想起找原因。
来料本身就会变。钢厂换了轧制工艺，钢板表面纹理不一样了；塑料粒子换了供应商，融熔之后的杂色比例变了；甚至螺栓的电镀工艺调整了，表面反光度都变了。这些变化都是慢慢发生的，等你发现准确率掉的时候，已经出了好几批不合格品了。
所以，漏判率优先级永远高于误判率。汽车主机厂给的要求是来料漏判率不得超过0.1%，那哪怕误判率升到5%，都不能调阈值降低检测标准。误判多了只是多几个人工复检，漏判一个不合格品出去，就是批量召回，赔起来就是几十万啊！
要维持稳定，很简单，做一个自动难例收集池就行。所有被检测系统判定为不合格、或者置信度低于95%的样本，自动存下来，人工复检之后自动标注进训练集，每个月抽半天时间微调一次模型，就够了。不用搞什么在线学习，太复杂，容易出问题，小步快跑微调最稳妥。
我现在做项目，都会加上这个功能，一年下来准确率基本能稳定在98%以上，很少出问题。
结论：来料智能检测不是什么高大上的黑科技，也不需要你追最前沿的技术。说白了就是把现场大大小小的异常都考虑到，选适合自己产线的硬件和算法，上线之后持续小幅度迭代，就能跑的很稳。少点概念，多踩踩现场，比什么都强。
