上周跟苏州某汽车零部件厂的工艺工程师喝酒，他拍桌子骂——三个月前上的那套智能视觉复检，现在沦为产线的大型晾衣架。
原因说起来很离谱：供应商当初拍胸脯说“AI检测万能，所有缺陷都能识别”，结果上线才发现，机床切削液的油雾糊在镜头上，检测准确率直接从实验室的99.9%掉到82%，漏检的带毛刺转向节流到总装线，光客户索赔就花了22万。
别笑，这种事我见得太多了。很多人把智能视觉检测当成买个高级相机、套个AI模型就能搞定的事，根本没搞懂“复检”两个字背后的重量。
先划清边界：你要的是“复检”，不是“抽检”
产线的检测流程从来都是分层的：开机调机后的首件确认，每2小时一次的过程巡检，最后是全量复检——所有加工完成的零件，100%过检，才能流入下一道工序。
人工做复检是什么体验？我在宁波的液压件厂见过，复检工人拿游标卡尺量3个关键尺寸，用手摸有没有毛刺，8小时能看3000件就算不错。到了下午三点之后，眼睛发花，把0.1mm的毛刺当成正常倒角漏过去是常有的事。去年那家厂因为漏检的毛刺导致装配后卡滞，赔了客户18万，才下决心上智能视觉复检。
这里要敲个重点：复检的核心要求从来不是“检测准确率高”，是漏检率必须压到0.01%以下。按照GB/T 2828.1的抽检规则，99.5%的准确率就能满足一般工业抽检的要求，但全量复检不一样——1万件里漏1件，都可能造成整批退货。
我见过太多选型的人，拿着供应商给的实验室检测报告拍板，根本不看测试条件。人家是在暗室里、用标准样件、镜头擦得一尘不染的环境下测的99.95%准确率，到了你产线，油雾飘着、机床振着、车间温度从20度跳到38度，准确率能有90%就烧高香了。
还有个容易踩的坑：很多人把复检和外观检测搞混。外观检测是看有没有划痕、有没有色差，复检是要测关键尺寸、查有没有漏加工孔、有没有崩边，这两个的精度要求差了一个数量级。比如转向节的安装孔，公差是±0.05mm，你的视觉系统测量精度至少要到±0.015mm，才能满足3σ的测量不确定度要求，不然测出来的数根本没有参考价值。
光源和镜头的选型，从来不是“贵的就是对的”
刚入行的时候我也以为，选最贵的2000万像素相机、最亮的环形光源，检测效果肯定好。直到第一次给铝制接头的毛刺复检项目踩了坑——用了3000块的环形白光，拍出来的零件表面全是反光斑，把倒角的亮边当成毛刺，误检率32%，产线工人直接把检测程序关了：谁愿意每3个件就停一次，处理根本不存在的“缺陷”？
后来翻了三天的光学手册，才摸清楚选型的底层逻辑：所有参数都是算出来的，不是拍脑袋选的。
第一步算空间分辨率。按照工业视觉的通用经验，要稳定识别的最小特征，至少要占3个像素。比如你要检测0.05mm的毛刺，那单个像素对应的物理尺寸最多是0.05mm/3≈0.017mm。如果你的检测视场是80mm*60mm，那需要的相机分辨率至少是(80/0.017)*(60/0.017)≈4700*3500，算下来是1600万像素的相机——根本不是什么2000万就一定好，刚好匹配你的检测精度才是对的。
第二步选光源。金属机加工件的表面反光极强，普通的环形光源打上去，全是高光反射，根本分不清哪里是正常倒角，哪里是真的毛刺。这时候就得用低角度同轴漫射光源，光线从侧面以15度的角度打在零件表面，只有存在毛刺、崩边的地方会形成散射光，正常的加工面会形成均匀的漫反射，拍出来的照片对比度能提升3倍以上。按照GB/T 39125-2020《机器视觉检测系统通用技术要求》，用于全量复检的视觉系统，在连续8小时运行下，误检率不能高于0.5%，漏检率不能高于0.01%——选对光源，你就完成了80%的指标。
别信供应商说什么“通用光源所有场景通吃”。我现在选光源，必须带3种以上的样件到实验室打光测试，拍出来的照片如果连我自己都分不清哪里是缺陷，那这个光源肯定不能用。
还有个细节：相机的安装支架，别图省事直接装在机床的防护罩上。机床加工的时候振动频率是50Hz，相机装在防护罩上，共振会导致镜头的位置偏移0.1mm，对应的测量尺寸偏差就有0.08mm，刚好卡在公差边界上，测出来的数根本不准。我现在做项目，都是给相机做独立的铸铁支架，加橡胶减震垫，把振动对相机的影响压到0.01mm以内。
别迷信大模型：固定场景下传统算法反而更靠谱
现在一提到智能视觉，所有人都在说大模型、深度学习，好像不用AI就落伍了。说实话，我做了快10年的机加工视觉项目，现在给复检场景选算法，优先用传统的几何测量、边缘提取、轮廓匹配，大模型能不用就不用。
不是大模型不好，是它根本不适合复检这种要求极致稳定的场景。举个真实的例子：去年常州一家做液压接头的厂，之前上了一套基于YOLOv8的复检系统，一开始在实验室测试，识别螺纹缺牙的准确率能到99.2%，结果上线才发现，换了一批新的切削液，零件表面的反光度变了，模型直接认不出缺陷，漏检了120件带螺纹缺牙的接头，客户退货赔了16万。最后我们把算法换成了传统的螺纹轮廓匹配，调了一周的参数，现在连续跑了4个月，漏检率为0，单帧处理时间从120ms降到12ms，产线节拍从1.2秒/件提到了0.8秒/件。
你想啊，复检的检测内容是完全固定的：有没有漏加工的孔，孔径是不是在公差范围内，螺纹有没有缺牙，边缘有没有毛刺。这些特征都是明确的，用传统算法的话，只要参数调好，不管你换什么切削液、什么批次的原材料，只要零件的加工状态没变，算法的检测结果就不会飘。要是用大模型，你每次换切削液、换机床刀片、换原材料批次，都要重新采集样本、训练模型，产线哪有那个时间等你？
当然，大模型也不是完全没用。比如检测一些无固定形状的缺陷，比如零件表面的随机划痕、不规则的砂眼，这时候用大模型的效果确实比传统算法好。但要是把大模型用到尺寸测量、固定缺陷识别的复检场景，纯粹是拿大炮打蚊子——不仅贵，还不稳定。
前阵子去那个苏州的汽车零部件厂做改造，把原来的大模型系统换成了传统几何算法，重新选了低角度光源，给相机加了独立减震支架，现在连续跑了2个月，漏检率是0.002%，误检率0.3%，产线的复检工人终于不用天天对着屏幕骂街了。
很多人觉得智能视觉复检是什么高大上的黑科技，其实根本不是。它就是把你之前人工复检的每一个判断标准，拆成相机参数、光源角度、算法逻辑、机械结构的每一个细节，算清楚每一个参数的边界，别被PPT上的“AI赋能”忽悠。
毕竟产线不会陪你演PPT。
