摘要：本文整理了近五年做二十多个工业AI外观缺陷检测项目的实际经验，避开空泛的算法理论，只讲落地过程中真实的选型、调优坑点，给准备进场做项目的中级工程师做参考。
别被开源预训练模型骗了，工业场景的坑你踩不完
第一次做AI产品外观缺陷检测项目的时候，我也想着捡现成的。网上开源项目一大堆，预训练权重都给你准备好了，拉下来跑个demo，准确率看着能到98%，美滋滋。
结果上线实测，直接傻了。那是给3C代工厂做手机中框塑胶外壳的缺陷检测，要求在线全检，节拍是每秒一件。我们拿yolov8的预训练模型跑demo用的是实验室打光完美的样品，准确率确实高。到了工厂车间，生产线的光源每天会飘10%左右的亮度，产品注塑出来的底色因为批次不同有深有浅，连缺陷本身都是五花八门——划痕深浅不一，气泡大小不同，还有浇口残次，一百件里找不出两个一模一样的缺陷。
那次线上跑出来的准确率，只有82%。离客户要求的漏检率低于0.1%差了十万八千里。谁一开始不想省点事啊。结果我们项目组三个人，改了三周标注，重新微调了五次模型，才把准确率拉到96%以上，差点误了客户的交付期，扣了项目奖金。
说实话，工业场景的缺陷，永远是长尾分布。90%的缺陷样本只占总缺陷数的10%，剩下的都是奇奇怪怪你从来没见过的小概率缺陷，预训练模型根本没见过这类数据，怎么可能准。
硬件选型的权衡：不是越贵的相机越好用
做项目久了，见太多客户一上来就要上8K线扫相机，要最高分辨率的镜头，说怕检测不出来缺陷。预算堆得老高，结果最后性价比低到离谱，甚至还不如合适的普通设备好用。
去年给国内某整车厂做冲压件外观缺陷检测，产品幅面是1.2m*0.8m，节拍要求每分钟12件。客户一开始给的预算要上四台8K线扫，算下来硬件成本快二十万。我们算了一笔账，按照行业通用的缺陷检测精度要求，需要达到0.02mm/pixel的分辨率才能满足客户的放行标准，用两台4K面阵相机加畸变校正后的鱼眼镜头，刚好覆盖整个幅面，精度也够，节拍也能满足，硬件成本才七万多，直接降了六成多。
不过话说回来，该花的钱一分不能省。我刚入行那会，做一个五金件的检测项目，为了省成本，选了便宜的杂牌广角镜头，没算边缘畸变，结果产品边缘的细小划痕直接被畸变拉得变形，AI根本识别不出来，最后漏检了三批出货，客户罚款小十万，够买十个好镜头了。说出来都是泪。
按照GB/T 19001-2016对生产过程检验的要求，缺陷分辨率必须满足最小可接受缺陷的尺寸要求，这是硬红线，不能砍。在满足红线的前提下，能省则省，工业项目的利润本来就薄，没必要为了参数好看堆预算。
标注才是AI检测的核心，没有之一
我见过太多项目，把百分之八十的预算砸在算法和硬件上，标注就找几个实习生，一百块钱标一千张，结果错标漏标一大片，模型训出来根本不能用。
前年有个客户找我们救场，他们自己做小家电注塑件的AI检测，上线第一天就误判了百分之三十的合格产品，直接停线八个小时，损失不小。我们过去一看，标注的实习生把允许存在的顶针印都标成了缺陷，客户要求的划痕是超过0.5mm才算不合格，他们把0.1mm的细微划痕都标成了缺陷，模型能不出错吗？
后来我们找了工厂做了二十年质检的老班长，带了两个熟手，花了一周时间重新标了一万两千张样本，把缺陷按客户的放行标准分成了细类：顶针印、脱模痕是允许的，直接标负样本；划痕分0.5mm以下、0.5-2mm、2mm以上，不同长度对应不同的放行等级，气泡分直径1mm以下以上，重新训了一遍模型，准确率直接从62%升到了97%，完美满足要求。
现在我做任何AI产品外观缺陷检测项目，预算都会留至少15%给标注环节。一定要找懂产品放行标准的现场质检人员来标，标之前把规则讲透，每一千张抽一百张做校验，错标率超过5%就要全部重标。这点钱花在前面，能帮你后面省几个月的调优时间，太值了。
工业场景哪有完美的数据集啊。都是跑起来之后，每周把漏检误判的样本拿回去，重新标注微调，慢慢迭代出来的。不要想着一步到位做个完美模型，慢慢养，比什么都强，对吧？
AI产品外观缺陷检测早就不是什么实验室里的黑科技了，说白了就是个落地的工程活。拼的不是你算法多先进，模型参数多大，拼的是你对工业场景的理解，对细节的把控，踩过的坑够不够多。选适合自己节拍、成本的方案，把标注做好，把硬件精度卡准，基本就能成个七八分。剩下的就是慢慢迭代，越用越准。
