上个月我去一家轴承厂做技术交流，车间主任指着一条产线跟我说：这套视觉系统上线三个月，误报率压到千分之三，但漏检的那两个批次，差点让客户整条装配线停摆。他苦笑的表情我到现在还记得。AI缺陷识别这件事，学术界发论文是一回事，真正在车间里跑得稳，完全是另一码事。
先说个反直觉的结论：模型的准确率往往不是瓶颈，缺陷样本的可得性才是。你去跑一个公开数据集，F1-score刷到0.98，觉得挺好。但到了现场，对方告诉你缺陷类型有十七种，其中三种连老师傅都只是‘感觉不对’，你拿什么训练？
一、你以为的缺陷，不是你以为的缺陷
很多中级工程师容易陷入一个陷阱：一上来就调网络结构，换backbone，加注意力机制。我见过最夸张的团队，用EfficientNet在钢表面缺陷数据集上折腾了两个星期，把准确率从98.2%提到98.5%，兴高采烈去验收。结果对方拿出几个样品——划痕在斜光下才显现，某些压痕只在油污覆盖后边缘有微弱的灰度差——他们的模型直接傻眼。
问题出在哪？
缺陷定义本身模糊。国标GB/T 2828.1里对‘轻微不合格’的描述，到了具体工件上，验收人员的判断都有主观差异。你辛辛苦苦标的数据，可能跟产线上的真实分布是两个世界。
所以说，第一个要做的不是选模型，是跟质检员坐在同一张桌上，把缺陷图谱定义清楚。把他们拍板‘放行’和‘拦截’的瞬间记录下来——哪些特征是决策依据？是宽度？面积？对比度？还是深度？有时候你会惊讶地发现，老师傅看的其实是反光方向。
别急着训练。先做一轮数据勘查，你会少走很多弯路。
二、样本不均？别硬扛，换思路
都知道缺陷检测是极度不平衡的问题。好品几万个，缺陷几十个。最常见的手段是过采样，但强扭的瓜不甜——简单复制粘贴只会让模型死记硬背。这时候我通常建议从两个方向下手：
第一，合成缺陷。不是拿GAN瞎生成，而是基于物理机理的退化模拟。比如轴承滚珠表面，划痕是有方向性的，深度和宽度服从一定分布（可以参考ISO 8785关于表面缺陷的几何定义），你按这个规律去合成，模型学到的是‘划痕的物理本质’，而不是一堆噪声。我们当时给某汽车零部件厂做差速器齿轮齿面缺陷识别，就是用这种思路，把刮伤、压痕、磨削烧伤的合成样本加进训练集，漏检率直接降了40%。
第二，异常检测方案。当缺陷样实在太少，干脆不把它们当分类问题。用PatchCore这类基于预训练特征的异常检测方法，只需要少量正常样本做参考，就能把‘和正常不一样’的区域框出来。注意，这里有个坑——正常样本的多样性必须覆盖光度变化、油污干扰、位置偏移，否则车间里随便变个环境光，误报能让你怀疑人生。
话说回来，合成数据也不是万能的。仿真和真实之间的domain gap，往往比想象中要大。线下测试98%的准确率，一上线就掉到90%，我遇到过不止一次。解决方案？用部分真实缺陷样本做微调，或者引入对抗域适应，但后者工程复杂度太高，一般项目不推荐。
三、部署那点事：你逃不掉的实时性
算法工程师喜欢谈模型大小、FLOPS，但车间真正问的是：产线节拍要一分钟检120件，你扛得住吗？
表面上看，一个YOLOv8s跑在RTX 3070上，单张图像推理只要几毫秒。可是加上预处理、吞吐队列、结果判定逻辑，实际延迟可能翻到200毫秒。更关键的是，产线上往往不是单张图像，是多工位、多相机、高分辨率抓拍。你一个工位装三台500万像素相机，每台每秒抓10帧，数据量就让你傻眼。
我踩过的坑：一开始用Python的multiprocessing做并行采集，结果GIL导致CPU瓶颈，帧率死活上不去。后来换成C++部署，直接用TensorRT的C++ API，再把图像解码放到单独的线程池里，才勉强满足90fps的总吞吐。说实话，很多时候性能瓶颈根本不是模型，而是图像解码和预处理。记得用NVJPEG做硬件解码，能省一大半CPU时间。
另外，别忽视PLC的交互逻辑。检测系统判定OK/NG后，要跟PLC握手，控制剔除气阀。这个通讯延迟通常有50-100ms，如果没算进节拍里，末了会发现整个产线还是跟不上。合理的做法是把检测任务拆成两段：先跑一个轻量级预筛，抓明显的缺陷；对可疑区域再做二次精细判别。这样既保证速度，又不牺牲精度。
顺便说一句，模型量化很香，但别盲目。INT8量化后精度掉0.5%以内很正常，可如果你的任务本身是‘小数点后两位的灰度差’，量化很可能把阈值抹平了。建议在量化前先做敏感性分析，看哪一层对量化最敏感，用混合精度甚至只在部分层做INT8。
四、维护与迭代：把AI当员工养
很多项目验收后，模型就跑着跑着不行了。原因？产线换了供应商，毛坯余量变了，刀具磨损周期不一样了，甚至是车间屋顶漏水导致光照不均。你训练时的数据分布早已漂移。
所以必须建立持续的数据反馈闭环。最简单的做法，每天把模型判错的样本自动归档，每周人工复核一次，然后把新样本并入训练集。但注意，不能光加数据不清洗——如果误报率太高，你要检查是不是混入了很多‘疑似但实际OK’的边界样本。这时可以用主动学习的思路：让模型自己挑出那些不确定性最高的样本请人标注，效率会高得多。
还有一个容易被忽视的点——模型版本管理。别指望导出一次模型就一劳永逸。很多时候你调了特征提取器，或者增加了新缺陷类型，但验证集陈旧，导致回归。建立一套包括标准测试集、影子部署、灰度发布的流程，虽然前期麻烦点，但后期能救你的命。
我见过一个企业，模型更新了七八版，每次都是直接替换，也不做A/B测试。结果某次更新后，把一种轻微磨痕全部放行，直到客户投诉才反应过来。教训就是：再急的迭代，也要留出回滚选项。
五、成本算账：别光盯着算法，算算总账
AI缺陷识别项目，便宜的几十万，贵的几千万。很多老板以为花的是软件钱，其实大头在硬件、打光、数据工程和后期维护。一套好的光学系统——同轴光、低角度环光、频闪控制——可能比GPU工作站还贵。所以别一上来就买顶尖的工业相机，先做光学实验，用一台手动变焦镜头和一个便宜的工业相机，把缺陷照得最清楚的光路确定下来，再定方案。这比后期迁就算法改打光要省力得多。
还有，别忘了人工智能只是工具，最终拍板还得是人。某些关键部件，比如航空发动机叶片，无论AI给出什么结论，都要人工复检一遍。这不是对AI不信任，而是责任链条必须完整。说句不好听的，AI出了漏检，你还能推到算法上，但产线上的终检员签了字，就得负责。
结语
AI缺陷识别落地，难的不是模型有多fancy，而是你能不能把每一个工程细节抠到位。从缺陷定义、样本采集、算法设计、部署优化到持续迭代，任何一环掉链子，整个系统就瘫痪。遇到问题别急着换网络，先去现场看一分钟，看看是不是打光角度偏了，或者是电磁阀的响应慢了——往往问题就是这么朴素。
最后那句老话，但永远是对的：AI不会取代质检员，但会用AI的工程师会。
