摘要：本文结合多个实际落地项目经验，梳理了AI产品外观缺陷智能检测落地过程中的核心矛盾、参数要求和常见踩坑点，给具备基础的中级工程师提供可直接复用的实操经验。
上个月刚给佛山一家做消费电子塑胶外壳的工厂跑完第三个AI缺陷检测项目的现场调试，脚都磨起泡了。坑踩了不老少，今天掏出来说。
为什么传统视觉检测卡壳在中小批量AI产品？
AI产品的迭代速度有多快？你去珠三角的消费电子车间走一圈就知道。爆款TWS耳机，每三个月换一次外壳材质和纹理，无线充每半年换一次涂层工艺。传统AOI检测靠预设规则卡阈值，换一款产品重新写规则，少则三天多则一周，还不一定能调好。
之前有个客户拿一批换了磨砂透明涂层的无线充外壳给我们测，传统AOI把涂层本身的晶纹当成划痕，误检率直接飙到18%。客户生产线停了大半天，老板脸都绿了。
说实话，这不是传统设备性能不行，是AI产品的迭代节奏，把传统规则适配的速度给彻底甩没影了。对吧？你换款产品的速度，比工程师改规则的速度还快，怎么玩？
AI检测赢就赢在迁移学习，只要有几十张标注好的缺陷样本，半天就能微调完一个可用的模型，适配新品的速度提升十倍都不止。但很多人只看到精度提升，没看到落地的时候一堆坑在等着你。
现场落地必须卡死的三个核心指标
第一个要焊死的指标，是工业成像端的镜头畸变率。根据GB/T 26147-2010《机器视觉检测系统通用技术条件》的要求，用于微小缺陷检测的系统，畸变率必须控制在0.02%以内。很多项目图省钱，用了普通千元级工业镜头，畸变率做到0.1%，测0.05mm的细微划痕时，直接偏出检测框，漏检率直接翻三倍。别嫌好镜头贵，这钱省不得，后期调模型补不回来。
很多工程师上来就要堆大模型，说参数越多精度越高。我吐槽一句，之前见过某创业公司给客户堆四块A100跑外观缺陷检测，单硬件成本就十几万，客户卖十万个外壳才能赚回这个成本，疯了？
生产线节拍摆在那，大部分消费电子AI产品的检测节拍要求是每分钟不低于60件，也就是单张图的处理时间不能超过100ms。我们做过无数次对比，对于外观缺陷检测这类任务，用YOLOv8n做迁移微调，推理速度能压到30ms以内，精度只比大模型掉不到1%，普通的边缘计算盒子就能跑，成本不到万元，香多了。
最后一个，缺陷标注的规则，千万别瞎标。我见过很多团队，标注的时候把客户不算缺陷的0.2mm以下的划痕都标进去，模型学完之后误检率直接干到15%，重新标注重新训练，耽误一周时间。我们现在做项目，第一步一定是拉着客户的QC主管，把缺陷判定标准一条一条写死：大于1mm²的污渍才算缺陷，深度大于0.03mm的划痕才算不合格，浇口位置允许0.5mm以内的披锋…卡完标准再动手标注，少走无数弯路。
项目落地你一定碰到的隐形坑
第一个坑，车间光照波动。早上开门阳光透进来，晚上关灯拉闸，一天之内光照差能到300lux，模型精度直接掉10个点。很多人说加个恒光源不就行了？不对，恒光源连续开四个小时，发热会导致相机镜筒热胀，焦平面直接飘，精度还是掉。我们试过无数方案，最后这个最省钱好用：在检测工位角落加一块24色标准色卡，每生产10件自动抽测一次色卡灰度，动态修正相机曝光参数，整套下来成本不到一百块，解决大问题。
第二个坑，边缘缺陷混淆。比如注塑AI产品外壳的浇口位置，本身就有天然的弧度和色差，模型经常把正常的浇口轮廓当成披锋误检。我们试过很多方法，最后这个方案最简单：把产品边缘10%的区域单独裁剪出来做二次增强检测，准确率直接从82%升到96%，不用改模型结构， just do it。
还有一个认知坑，很多厂商吹100%检出零误检，你听听就好。别为了把准确率从99%提到99.9%，额外花几十万堆硬件堆样本，工厂老板算得清账：留不到1%的漏检给人工复检工位，总成本比追求完美低一半还多，完全够用。
做了快十年机器视觉，这两年AI外观检测火的一塌糊涂，很多人说能彻底取代QC人工。我看不对。它就是帮你把QC八九成的重复枯燥活儿干了，把人解放出来做更复杂的判断。真要落地，别拿着实验室的参数瞎吹，蹲到车间里待三天，看光照变化，看节拍波动，看工人怎么上下料，调出来的方案才站得住。哦对了，选型别信厂商给的实验室准确率，一定要拿你自己工厂的实样，在现场跑三天，算出来的误检漏检率才作数。
