摘要：本文分享工业级AI产品外观缺陷智能检测从方案设计到产线落地的实际经验，针对中级工程师关心的选型、踩坑、核心参数设计给出可落地的参考，不含空泛理论。
产线场景的真需求，不是实验室的花架子
去年帮朋友的3C代工厂改了一套铝合金中框的外观检测方案。原来人工检测每条线要放12个工人，眼神花了漏检，旺季招工难，老板急得跳脚。
一开始他们找了某高校的实验室团队做了一套方案，测试集准确率99.2%，吹得天花乱坠，一拉到产线跑，半天出了三百多件误判，直接下线扔仓库吃灰。
问题出在哪？实验室的样本都是挑出来摆好，固定光照拍的。产线上呢？刚加工完的中框沾了一层薄薄的切削液，夏天灯管开久了亮度掉一成，来料的氧化铝底色每一批都差一点，这些变量实验室根本没考虑。
行业要求是什么？针对手机中框，最小可接受缺陷是0.05mm宽的划痕，缺陷定位精度要满足±0.2mm，方便后端自动打磨设备加工，单台检测节拍不能超过3秒每件，良率数据还要实时同步给MES系统，符合GB/T 2828.1-2012 计数抽样检验程序的要求。
这些要求，没在产线蹲过一个星期，根本写不进需求里。很多AI方案上来就拼模型精度，忘了你是要替工人干活，不是发论文。
真的，需求错了，再牛的模型都是白搭。
核心模块的选型权衡，没说的那部分才是钱坑
说实话，AI检测里，算法只占三成，成像硬件占七成。我见过太多项目上来就堆大参数模型，最后输在打光错了。
先说相机选型。很多人图便宜选卷帘快门相机，省小一千块钱。产线走速60m/min的时候，卷帘快门的逐行曝光会出严重拖影，0.1mm的划痕直接拉成1mm，你让模型怎么判？产线运动检测必须选全局快门相机，这个钱一分都省不得。
分辨率怎么算？给大家一个现成的公式：最小缺陷尺寸d，按照奈奎斯特采样定律，至少需要2个像素覆盖缺陷，因此每毫米的成像像素数P≥2/d。如果你要检0.05mm的缺陷，P就要≥40，100mm宽度的被测工件，总像素就要≥4000，选500万像素的相机刚好够用，留余量，不浪费。
打光的坑更多。针对高光塑料或者金属工件，同轴光源容易出镜面反光，把浅缺陷直接盖住。换带偏振片的漫射环形光源，缺陷对比度直接提40%以上，亲测有效。
算法选型呢？很多人问我要不要上现在火得一塌糊涂的端侧大模型。不过话说回来，大部分工业检测场景，缺陷类别就那十几种：划痕、磕碰、麻点、飞边、色差，YOLOv8n量化之后跑在Jetson Xavier NX上，单帧推理时间不到100ms，精度损失不到1%，成本只有云端部署的五分之一，还满足数据不出厂的合规要求，这不香吗？非要花几十万上大模型，推理延迟翻三倍，完全没必要。
落地的最后一公里：动态调整和样本迭代
就算硬件算法都选对了，还有最后一关。我之前做汽车保险杠外观检测项目的时候，就踩了固定阈值的坑。
塑料保险杠每一批次的原料底色都不一样，今天偏黄一点，明天偏灰一点，用固定的灰度分割阈值，要么把底色偏深的正常区域判成缺陷，过杀率飙到12%，要么把浅缺陷漏过去，漏检率下不来。
后来加了个动态阈值自适应调整模块，每个工件上线先算整张图的灰度直方图，提取背景灰度的中位数，再把缺陷分割阈值偏移两个标准差，就这么简单的一步，过杀率直接降到1.5%。当时看到这个结果，太惊喜了！
还有样本迭代的问题。很多项目训完模型就不管了，以为一劳永逸。产线怎么可能不出新缺陷？换个模具，换个原料，就会出你从来没见过的新问题。必须加主动学习机制，模型置信度低于80%的样本，自动挑出来同步给质检工人标注，每个星期自动微调一次模型，跑三个月下来，模型的准确率能比初始版本涨20%到30%，越来越好用。
哦对了，别忘了数据安全。现在汽车、医疗类的零部件检测，数据不能随便传到公网训练，端侧必须支持小样本微调，不然合规过不了，项目直接黄。
现在圈内把AI外观缺陷智能检测吹得玄乎，其实哪有那么多黑科技。无非就是蹲产线摸清楚所有变量，选对每一个模块，把该做的细节做到位。能稳定帮工厂省下人工，少出不良品，就是好方案。
