摘要：工业缺陷检测中，智能机器视觉初检受环境、算法、硬件限制，必然存在一定比例的漏报误报，智能机器视觉复判检测作为最后一道质量关卡，往往被工程师轻视，导致项目落地后出现大量质量问题。本文结合多个工业现场的落地经验，分享复判检测的设计要点、选型坑和优化细节，给中级工程师做落地参考。
为什么智能机器视觉复判检测成了刚需？
动力电池顶盖的冲裁毛刺，3C电子外壳的微小划痕，汽车结构件的焊接裂纹…这些缺陷，初检机器视觉不是不想检，是真的没法做到100%准确。
说实话，我见过太多项目把99.9%的精度吹得天花乱坠，到了现场一算，百万台出货量，千分之一的漏检就是一千台不良，客户索赔起来，多少钱都不够填坑。
去年我跟进的一个动力电池项目，就是因为抢投产，把复判环节砍了，只留初检，结果一批次两万多台电池发出去，七台漏检了极耳毛刺，客户直接罚款一百万。那项目半年的利润直接亏空。
现在下游客户对质量追溯要求越来越高，汽车行业要IATF16949认证，消费电子要全链路缺陷可查，复判环节不是可选项，是必须要有的兜底。哦对，别扯什么终极算法能做到零漏检，工程上哪来的零风险？留一道兜底，总比出事了再擦屁股强。
智能复判检测的核心设计与常见选型坑
很多人上来就说要做全自动化AI复判，省人工。其实真不是所有场景都适合。
按照GB/T 39116-2020《智能制造 机器视觉检测系统通用技术要求》，复判系统的单帧响应时间要求不高于200ms，整体漏检率要求低于0.01%。这个指标，全自动化复判要达到，算法成本至少是人机协同复判的三倍，很多中小工厂根本吃不消。
说个最常见的选型坑。很多工程师做复判的时候，直接沿用初检的相机参数，图省事。那可就错大了。初检相机为了提速度，大多用8bit的灰度输出，压缩动态范围，碰到缺陷对比度低的场景，复判的时候拉灰度曲线，直接就把缺陷和噪点混在一起分不出来。我之前碰到过一个划痕检测项目，换了14bit 动态范围的工业相机之后，复判准确率直接提了12个百分点。花的那点相机钱，还不够之前一次返工成本的零头。
还有算法选型，很多人用通用缺陷检测模型直接跑复判。其实复判面对的都是初筛出来的可疑样本，本身负样本比例就比正常场景高太多，通用模型的泛化性根本顶不住，非得用针对自家产品缺陷微调过的模型才行。别信AI平台吹的零样本检测，工程上零样本就是零准确率。
落地容易忽略的细节优化
复判队列的调度，很多人没当回事。所有初检报警都扔去复判，结果复判队列挤爆，拖慢整条线的速度。其实你可以加个ROI位置偏差阈值过滤，初检的时候，如果工件位置偏差超过设定阈值（一般10%~15%，看产品精度要求），直接打回重测，不用进复判队列，这一下就能过滤掉三分之一到一半的无效报警，省下不少算力和时间。
存储的问题。很多项目做完就忘了，复判的缺陷图和检测数据要存多久？汽车行业要求零部件追溯15年，你存普通企业硬盘，三年就坏了，到时候要调记录调不出来，客户审核直接不通过。靠谱的做法是，近期三个月的检测数据存SSD，三个月到三年的存机械硬盘，三年以上的转蓝光冷存储，成本不高，还符合合规要求。
人机协同复判的交互细节，太重要了。很多系统做的，把整张图扔给工人，也不框可疑缺陷，工人得睁着眼睛找半天，效率比纯人工检测还低，工人怨声载道，最后干脆跳过复判直接过，那复判不就成了样子工程？哪怕自动框缺陷会框错几个，也要把可疑区域标出来，给工人放大，能省至少一半的复判时间。
不过话说回来，全自动化复判也不是不能做，比如小尺寸的消费电子芯片引脚缺陷，缺陷特征固定，现在的算法完全能做到0.005%以下的漏检率，完全可以不用人工参与，省下来的人工成本几年就能收回算法投入。
结论：智能机器视觉复判检测，是工业视觉检测的最后一道质量闸门，别把它当成初检的附加赠品，得根据自己的产量、质量要求、成本预算来做设计，避开那些常见的坑，才能真正起到兜底的作用，别等出了质量事故才想起补这块。
