本文来自主机厂冲压线的实际项目落地经验，针对智能视觉初检后仍存在的过杀漏检问题，梳理了智能视觉复检的设计逻辑、选型要点和落地踩坑经验，给需要做类似项目的工程师做参考。
去年跟主机厂合作的一个项目，现在想起来还后背冒冷汗。原来那条线做汽车侧围外板，外观缺陷要求极高，人工复检每月漏检率超过8%，整批返工的罚款每个月少说十几万。后来上了智能视觉初检，漏检降了，过杀又上来了——差不多30%的合格件被判定不合格，总不能全扔了吧？这时候才想起来，要做专门的智能视觉复检，不是把人工复检换成AI而已，这里面的门道，跟初检完全不一样。
别把智能复检做成“重复初检”
我见过太多项目栽在这一步。客户拿到需求，直接把初检的那一套复制粘贴到复检工位，结果节拍卡死，精度还没提上去。
之前客户第一次试装，就是直接把初检用的1200万像素面阵相机原封不动搬过来，算法也是全图扫描所有缺陷，算下来每件检测要1.2秒，那条线节拍是8秒一件，看起来够？不对啊，初检还要花1.5秒，加上上下料，硬生生拖慢了0.7秒，全线堵工，那天停线两个小时，厂长脸黑得像锅底。
复检的核心任务，从来不是全盘重来，而是只处理初检筛出来的“疑似区域”，把“真缺陷留下，假缺陷放走”。目标不一样，整个设计逻辑全变了。
那该怎么选硬件？不需要全图高分辨率，只要能覆盖初检给出的疑似框就行。我后来重新选型，用的是500万像素全局快门工业相机，帧率60fps，只拍摄初检标记的局部区域，单块区域检测只要0.15秒，成本直接降了三分之一，节拍还剩了不少余量。
说实话，很多供应商上来就堆高配，说像素越高精度越好，纯扯。适合你的工位需求，才是对的。
智能视觉复检的核心算法逻辑：别踩分类器的坑
算法上我也踩过坑。一开始跟着初检的思路走，用YOLOv8做目标检测，结果速度慢，准确率还上不去，只有92%左右。
后来才反应过来，复检根本不需要目标检测。初检已经给你把疑似缺陷的位置框出来了，你只要做一件事：判断这个框里的东西，到底是真缺陷，还是干扰噪点/正常的冲压油纹/零件接缝？说白了就是二分类问题，搞那么复杂干嘛？
我后来换成了微调后的ResNet18，输入就是裁剪好的224×224疑似区域图，输出只有0（合格）和1（不合格），单帧推理只要12ms，准确率直接冲到99.7%，刚好满足GB/T 39116-2020 《智能制造 机器视觉检测系统技术要求》里对复检重复性≥99.5%的要求。
不过话说回来，还有个坑，就是别贪大模型。有人跟我说你换成ResNet50啊，精度更高。我试了，参数多了三倍，推理速度掉了四倍，准确率只涨了0.1%，完全没用。何况缺陷样本本来就少，大模型很容易过拟合，把某几个样本的特征当成通用特征，换个新缺陷就认不出来了。
样本不均衡的问题说一句：真缺陷样本少，我用的是针对疑似区域的Mosaic增强，只剪缺陷块做拼接翻转，比整图增强效果好太多，当初没做这个的时候准确率93%，做完直接跳了六个点，太惊喜了！
现场落地的几个非技术坑，全是踩出来的教训
搞工程的都知道，技术对了，现场落地还能给你整出一堆幺蛾子。我这里三个坑，都是花了时间踩出来的，拿去吧。
第一个是光照。复检的光照不能跟初检用一样的漫射平光。初检要全件均匀打光找缺陷，复检要打侧光啊！微小压痕、凹坑这类缺陷，平光打上去跟正常表面一模一样，侧光一打，阴影出来，对比度直接翻三倍，模型准确率能涨三个点都不奇怪。我一开始没调光照，错了快十个点，调完直接对了，你说气人不气人。
第二个是缓存。我当初方案评审漏了这个，懊恼到现在。初检一次出好几个疑似件，复检工位一次只能处理一个，没有缓存的话，直接堵线。后来加了一段1米的缓存辊道，才解决问题。别嫌占地方，真出事了停线一小时，够你买十段辊道了。
第三个是定期维护。很多工厂说上了AI就一劳永逸了，扯淡。模具用久了会磨，新的缺陷形态会出来，零件的油纹也会变，每三个月抽半天时间，标个二三十个新样本更一下模型，花不了多少时间，能让准确率一直保持在高位。我见过不少项目，刚上线准确率99%，半年掉到94%，然后说AI不行，其实就是懒，对吧？
我们这个项目跑了快一年了，现在数据很稳定：原来人工加初检的返工率是30%，现在智能复检之后，返工率降到2%，每个月给客户省二十多万的返工成本和罚款，客户现在还陆续给我介绍新的项目。
其实智能视觉复检不是什么玄乎的新技术，就是给初检补漏洞的一步。你别把它当成大项目堆硬件堆大模型，想清楚自己要解决什么问题，把该踩的坑提前避开，落地就成功了大半。
