当前工业在线检测领域，降本提压的需求越来越强，原本分开做的尺寸检测、外观缺陷检测，正在逐步整合为一体方案。本文结合多个量产项目的落地经验，拆解一体检测算法模型的核心设计逻辑，分享实际工程中踩过的坑和可复用的优化思路，供有一定基础的工程师参考。
为什么行业越来越倾向一体检测方案
之前做消费电子金属中框项目，客户原来用两台独立检测设备，一台测外形尺寸，一台扫表面划痕、凹坑。节拍卡到12秒每件，客户产线升级要求压到8秒以内，还要求省出半个工位的场地放新的组装线。
分体方案的痛点，远不止占地方、节拍慢。
两次定位，就会有两次基准误差累加。哪怕每次定位误差只有0.02mm，累计之后就可能达到0.04mm，对于公差要求±0.05mm的精密工件来说，误判率直接飙升到3%以上，后端还要安排全检人工，根本降不了本。还有更离谱的，中框R角处的细小划痕，尺寸检测设备的打光方式看不见，外观设备又没对准R角的基准，经常漏检，客户投诉都接了好几个。
把尺寸和外观检测整合到同一个算法模型里，只用一次成像一次定位，就能出两个结果，误差少了，节拍快了，设备成本直接降三分之一，这不是香不香的问题，是客户逼着你这么做。
一体检测算法模型的核心设计逻辑
很多新手刚做的时候，图省事，直接找一个开源的目标检测模型，改两个输出头，一个输出尺寸预测，一个输出缺陷分割，就完事了。我刚碰这个方向的时候也这么干过。
结果呢？推理速度确实比两个模型快了18%，但尺寸检测的重复精度直接掉了0.015mm。我们那个项目公差要求±0.03mm，一下占了一半公差，客户根本不接受。差一点就过不了验收。
那后来怎么改的？核心是共享粗定位矫正+双分支独立精细特征提取，绝对不能共用特征提取的底层。
先讲第一步，不管是尺寸还是外观，都需要先对工件做位姿粗矫正，这一步可以共享。我们一般用基于形状模板匹配的粗定位，速度快，精度够，能把工件的旋转、平移偏差控制在0.5个像素以内，做完矫正之后再把图像送入两个独立分支。
尺寸检测分支，核心需求是亚像素级的边缘精度，我们用基于Zernike矩的亚像素边缘检测头，严格按照GB/T 40054-2021《机器视觉检测方法通则》的要求，重复精度保证在1/10个像素以上，才能满足工业精密检测的要求。外观缺陷分支，核心是找小目标缺陷，用轻量型的UperNet分割头，就能满足精度要求，速度也不慢。
工程落地的常见踩坑与优化方案
说实话，架构对了，也不代表就能跑出好结果。工业场景的坑，比你想的多得多。
第一个大坑，光照冲突。尺寸检测需要边缘对比度足够高，一般用低角度正光，外观缺陷检测细小划痕需要漫射光或者同轴光，你用同一个光源，要么边缘糊得测不准，要么划痕看不见，怎么选？
我们试过偏振片，试过混光，效果都一般。最后用了分时分帧触发光源，同一个相机，先开低角度正光拍一帧，做尺寸检测，再换同轴漫射光开，拍第二帧做外观检测，其实就是多一帧曝光，总耗时只加了不到10ms，问题直接解决。成本还比加一个相机低多了。
第二个坑，畸变与形位误差补偿。很多人做完相机标定就觉得万事大吉了，对吧？实际批量生产的工件，不可能完全平整，比如冲压出来的金属件，总有个几丝的翘曲，放在治具上就会有平面倾斜，带来边缘检测的误差。我们之前遇到过，同一个工件，转个方向放，测出来的尺寸差了0.02mm，就是翘曲导致的。
后来加了一个基于轮廓拟合的平面误差补偿模块，根据提取到的多个轮廓点，拟合工件实际的倾斜角度，再对边缘坐标做补偿，实际测下来，尺寸重复精度提了32%，效果挺惊喜的！
还有一个容易忽略的坑，边缘端部署的模型量化。要放在工业边缘盒里面跑，肯定要量化压缩对吧？直接把整个模型量化成int8，速度是上去了，尺寸精度直接掉了0.02mm，白忙活。我们现在的方案是混合量化：共享的backbone骨干量化成int8，两个检测头保留float16精度，速度比全float降了40%，精度只掉了不到0.003mm，完全可以接受，这个平衡，太重要了。
去年给汽车零部件厂商做密封胶条检测，就是用这套方案，要求截面直径公差±0.1mm，还要检出0.1mm以上的气泡和裂口，原来分体方案节拍10秒每件，换了一体模型之后，节拍压到5.2秒，误判率从2.1%降到0.3%，客户直接砍掉了一台设备的预算，皆大欢喜。
一体检测不是简单把两个任务拼到同一个模型里，本质是两个任务从定位到后处理的全链路协同，核心是在精度和速度之间找到符合项目需求的平衡。别迷信开源刷榜的SOTA模型，落地的时候，很多时候一个小补偿模块，就能解决大问题。
