摘要：过去3年我们团队给17家制造企业做过AI外观检测的落地项目，踩过的坑比写的代码行数还多。这篇内容不讲虚的算法原理，全是能直接拿到产线上用的实操细节，帮你少走点弯路。
上周在苏州相城的代工厂蹲了3天，盯着3条手机中框抛光线的检测工位。以前用人工检，一个工位4个阿姨，每小时翻300件，碰到阳极氧化后的针孔、磕碰，眼瞅着就漏了——上个月刚因为这个赔了客户120万。
别上来就堆大模型，先把检测场景的”公差边界”算明白
刚入行做这个的时候，我也犯过傻，觉得只要把最新的大模型搬过来，检测精度自然就上去了。结果第一个项目栽得特别惨：算法团队花了2周训了个ResNet50，实验室测试精度97%，上线第一天，误检率直接飙到21%。
为啥？我们根本没提前对齐产线的公差要求。检测阈值必须和产线的工艺规范完全对齐，按照GB/T 2828.1-2012《计数抽样检验程序》的要求，消费电子外观件的AQL值取0.65时，直径≥0.05mm的表面针孔、长度≥0.1mm的划痕，都属于必须拦截的致命缺陷。但我们当时的算法团队，是按照自己拍的图定的阈值，把0.04mm的针孔也算成合格，更要命的是，根本没考虑不同批次阳极氧化膜厚差带来的背景色差——同一批中框，膜厚从8μm到12μm，反光率差了32%，模型把正常的明暗过渡，全当成了划痕报。
光不对，全白搭。
很多人上来就研究模型结构，却忘了检测的第一步是把缺陷拍清楚。对于2.5D弧面的手机玻璃盖板，普通的环形光根本拍不到弧面边缘的细微磕碰，必须用32°±2°入射角度的同轴光，才能把高光表面的针孔、划痕从反光背景里分离出来。我们测过，同样的缺陷，打光角度偏5°，图像的对比度就掉了40%，模型的检测精度直接从96%掉到72%。这种细节，没有蹲在产线上摸过3次以上的镜头，根本总结不出来。
训练数据的”凑数陷阱”，比模型选型错了还致命
项目做的多了就会发现，80%的AI检测项目效果差，根本不是模型不行，是训练集太烂。
之前碰到个做冰箱塑料外壳的客户，他们的核心不良是注塑成型时产生的熔接痕——这种缺陷是两股塑料熔体汇合时没完全融合形成的细微纹路，不仔细看根本发现不了。结果对接的算法团队，为了凑训练集，从网上扒了一堆金属件划痕、玻璃表面裂纹的图，占了总数据集的78%，真正的熔接痕样本才不到50张。模型上线之后，把外壳上正常的磨砂纹理全当成了熔接痕报，误检率高到产线根本停不下来，最后折腾了3个月，项目直接烂尾。
我们现在做项目，有个死规矩：真实生产样本的占比不能低于总训练集的15%，每个缺陷类别的样本量最少要到1200张，其中从产线上实际截获的不良样本不能少于200张，剩下的可以用人工模拟的缺陷补，但绝对不能全用PS画的或者网上扒的。为啥？因为真实生产的磕碰，是带着金属碎屑的漫反射反光的，你用软件画的划痕，边缘太规整，模型学不到那个细微的纹理差异，到了真实场景肯定掉链子。
说真的，见过太多团队花几十万买GPU集群，结果训练集都是实习生凑的图，标注的时候连不同尺寸的缺陷都不分，把0.03mm的针孔和0.2mm的掉漆标成同一个类，最后检测精度卡在80%上不去，还反过来怪模型不行。按照汽车行业的通用检测标准，外观件的漏检率必须低于0.1%，不然漏到客户端的索赔成本，是单台设备投入成本的27倍——这笔账，算清楚了才知道，花时间攒真实样本，比换个更贵的模型划算多了。
产线适配的”最后一公里”，根本不是技术问题
很多人觉得算法写完、模型测完，项目就完事了。真到了产线上你就会发现，前面的工作只占整个项目的40%。
比如产线的节拍要求。我们现在对接的消费电子产线，传送带速度是12米/分钟，每个工件在检测工位的停留时间只有0.28秒，你模型推理要0.5秒，就算精度100%，根本跟不上节奏。这时候就得做模型剪枝，把原来的YOLOv8n模型剪掉30%的冗余通道，推理时间从0.25秒压到0.08秒，精度只掉了1.2%——这种权衡是必须做的，没有哪个产线会为了你的模型慢，把传送带停下来等结果。
模型推理的端到端延迟必须留足30%的冗余量。别卡着0.28秒的阈值定推理速度，要考虑相机的曝光时间、图像传输的带宽延迟、PLC的响应时间，把整体的时间压到0.2秒以内，不然产线稍微有点震动、电压有点波动，检测工位就会卡壳。上个月调试的时候，一开始用的普通以太网通讯，PLC收到不良信号的延迟是120ms，结果前30个不良品，有11个没被气缸推出去，顺着传送带跑到了包装工位，把我们现场的工程师吓出一身冷汗。最后换了Profinet的通讯模块，把延迟压到20ms，才解决了这个问题。
账要算清。
别觉得AI检测能完全替代人工。我们现在的配置，是在检测工位旁边留1平米的复核区，配一个有3年以上全检经验的老员工，专门复核AI报出来的不良品。算过一笔账：原来4个全检阿姨的人力成本，一年是38万，现在只需要1个复核员，一年9万，算上设备、算法的投入，14个月就能收回成本。最关键的是，漏检率从原来人工检测的2.3%，降到了现在的0.08%——上个月的客户审计，这个指标直接让我们拿了全年的优秀供应商评级。
很多人觉得AI外观检测是什么高大上的黑科技，其实蹲在产线上蹲半个月就知道，核心根本不是你用了多先进的大模型，而是你有没有真的把产线的公差、节拍、不良类型摸透。那些上来就吹自己模型能做到99.9%精度的销售，你让他去产线上连续跑3天稳定性测试，能不能扛住车间的灰尘、震动、温度波动再说。
技术从来不是拦路虎，那些飘在半空中的PPT，才是。
