摘要：本文结合笔者在主机厂冲压车间落地项目的实际经验，分析传统视觉检测方案的痛点，梳理AI缺陷识别落地过程中最容易踩的坑，给出适合中级工程师的选型、调优经验，对准备上线项目的同行有实际参考价值。
为什么传统视觉搞不定冲压件缺陷？
我们去年接的项目，给某主机厂B级车车门内板做全检。要求覆盖拉毛、油斑、隐裂三类缺陷，节拍6秒一件，漏报率不能超过0.2%。
一开始想省钱，用传统视觉方案。阈值分割，边缘提取，一套弄完，实验室测试准确率95%，看着还行。一上线全乱了。
冲压件本身的材料纹理就不均匀，有时候压痕稍微深一点，传统算法直接当成缺陷误报。隐裂更麻烦，最窄的隐裂只有0.02mm，光照稍微变一点，直接就融进背景里了，根本找不到。那半个月我天天蹲车间吃灰。误报率最高冲到12%，线体动不动就停，工人怨声载道。
不信你看实际的缺陷样本：
传统算法是规则驱动的，你得给它写清楚什么是缺陷，什么是背景。可工业现场的缺陷哪有什么固定规则？位置随机，大小随机，灰度也随机。换个料卷，材料纹理变了，规则全部作废，得重新调。折腾了一个月，我们最终放弃传统，转头试AI缺陷识别。
AI缺陷识别落地，最容易踩的三个坑
别以为找个开源模型，弄点图片训一下就能用。我前后踩的坑加起来能绕车间三圈。说三个最痛的。
第一个坑，数据样本不平衡。一开始我们偷懒，8000张训练图里，7800张是良品，缺陷只有200多张，还是从过往不合格品里攒的。模型训完，测试准确率99%，一上线，直接把三个带隐裂的件漏过去了，流到焊接车间，焊完才发现，直接废了三套焊接工装，损失小十万。心疼得我半个月没吃好饭。后来才想明白，模型学不到缺陷的特征，它默认所有都是良品，准确率当然高，根本没用。最后我们花了一周时间，故意调整工艺攒了1200多张各类型缺陷样本，重新训，才解决漏报问题。
第二个坑，盲目选大模型。一开始听厂商吹YOLOv8大模型精度高，直接就用上了，参数好几个G，部署在工业边缘盒上一跑，帧率掉到3帧。我们节拍要求6秒一件，拍完照推理完就花了5秒，上下料时间都不够，线根本跑不起来。工业场景AI缺陷识别，永远先算节拍需求再选模型，别贪大求全。后来我们换了YOLOv8n轻量模型，再做INT8量化压缩，帧率直接提到25帧，满足节拍还留了余量，精度只掉了不到0.5%，完全可以接受。
第三个坑，忽略现场环境干扰。我们一开始把模型放实验室测，准确率98.7%，满意得不行，搬到车间，冲床一开，整个地面都震，相机每秒抖个几丝，再加上冲压乳化液的油雾天天飘在镜头上，准确率直接掉到78%，整个人都傻了。最后加了气缸驱动的自动擦镜机构，相机底座加了两层10mm厚的橡胶减震垫，又给模型加了十多组不同污染程度、不同抖动偏移的样本重新训练，准确率才拉回98%以上。
AI缺陷识别到底适合什么场景？
说实话，现在外面吹的太玄乎，什么100%准确率，全缺陷通用，都是骗投资人的钱的。我们跑了快一年，稳定在误报率0.3%，漏报率0.1%，已经是行业顶流水平了。
它不是万能的。微米级的内部材料夹杂，它还是搞不定，得配合涡流或者超声检测。那种三天换一次产品的多品种小批量生产线，也别碰，每次换产品都得重新标数据训模型，调一次三五天，成本比雇检验员还高。
但如果你的生产线是大批量单一品种或少品种换产，缺陷类型固定，月产量万件以上，那AI缺陷识别真的香。我们这个项目，之前一条线要三个全检员，一年工资成本四十多万，整个AI方案软硬件加起来不到二十万，半年就回本了。而且工人不用天天盯着强光看零件，职业病都少了。
对了，性能验证一定要按规矩来，必须按照GB/T 41266-2022《智能制造 机器视觉检测 性能评价方法》来计算准确率、漏报率和误报率，别拿实验室那套干净数据算出来的准确率忽悠自己，现场跑三百件全测一遍，什么数据都清楚了。
很多人问我，以后AI会不会把检验员全取代了？我觉得不会。它就是个工具，帮你把大部分重复费力的工作干了，把人从枯燥的目检里解放出来，去干更有价值的活而已。
找对场景，避开那些坑，AI缺陷识别确实能帮你省不少钱，少操不少心。就这么简单。
