客户打电话来说"你们的视觉检测设备误判率太高了，良品被判成不良品，操作工天天在那边复判，比人工还慢"，我们第一反应不是派工程师去修设备，而是先问五个问题。因为十次误判投诉里，大概有六七次不是设备本身的硬件问题，而是某个环节配置不到位。把五个环节排查一遍，大部分误判问题能在现场解决。
AI视觉检测设备
光源是视觉检测的根基，80%的误判问题和光源有关。客户最常犯的错误是"一个光源打天下"——不管检什么缺陷都用同一种光源。实际上不同的缺陷类型需要不同的照明方式：划痕需要低角度暗场照明，让划痕的阴影凸显出来；色差需要均匀的漫反射照明，消除表面反光干扰；高度差需要结构光或背光，把高度信息转化为亮度对比；字符OCR需要同轴光源，让文字和背景形成高对比。
我们到现场排查的第一个动作就是看光源配置。有个案例印象很深：客户检测金属件表面的细微划痕，用的是普通环形光源，划痕根本拍不清楚，算法怎么调都识别不准。换成低角度暗场光源后，同样的相机和算法，划痕立刻清晰可见，误判率从15%降到1%以下。光源选对了，算法的工作量能减少一半。
光源排查的要点：确认光源类型和缺陷类型是否匹配、光源亮度是否足够且均匀、光源使用时间过长是否有光衰（LED光源用两三年后亮度会下降20%到30%）、光源角度是否因为震动或碰撞发生了偏移。
算法误判分两种：过杀（良品判成不良品）和漏检（不良品判成良品）。过杀率高说明算法阈值设得太严，把正常的表面纹理波动当成缺陷了。漏检率高说明算法阈值太松或者模型没有覆盖到某些缺陷类型。
排查算法问题，先看缺陷样本库。很多客户的缺陷样本库是在设备调试初期建的，那时候只有几十个缺陷样本，模型覆盖的缺陷类型有限。产线上线后出现了新的缺陷类型（比如换了供应商后材料表面纹理变了），模型没有见过这种"新缺陷"，要么识别不出来（漏检），要么误判为其他类型（过杀）。
AI视觉检测设备的算法驱动
解决方法是持续更新缺陷样本库。我们建议客户每个月把产线上的缺陷样本收集一遍，拍图标注后加入训练集，重新训练模型。这个工作不复杂，但很多客户不做，觉得设备买回来就一劳永逸了，实际上AI视觉检测模型是需要持续迭代的。
工件在相机视野中的位置和角度如果不稳定，每次拍照的位置都不一样，算法基于固定位置的检测逻辑就会出错。比如检测一个圆形零件的边缘缺陷，如果零件每次放在夹具里的角度偏了5度，算法预设的检测区域就对不上实际位置，导致边缘检测区域偏移，正常边缘被误判为缺陷。
排查方法很简单：连续拍20张照片，用图像处理软件叠加这20张图，看工件边缘是否完全重合。如果有偏移，检查夹具的定位精度、传送带的停止精度、震动是否导致工件位移。气缸驱动的夹具要检查气压是否稳定，气压波动会导致夹紧力不一致，工件位置就会有微小变化。
AI视觉检测设备相机定位
工厂车间的环境对视觉检测影响很大，但经常被忽略。常见的环境干扰有三种：环境光干扰、震动干扰、灰尘干扰。
环境光干扰：如果相机镜头能看到车间照明灯的反射光或直射光，每次车间灯光开关或日光变化都会影响图像亮度，导致检测阈值失效。解决方法是在检测工位加装遮光罩，或者用频闪相机配合窄带滤光片，只接收特定波长的光。
震动干扰：相机或镜头如果固定在不稳定的支架上，附近设备运行时的震动会让图像模糊。我们遇到过客户的检测设备旁边有一台冲压机，每次冲压时图像就模糊一下，导致这段时间检测的工件全部误判。加了个减震垫就解决了。
灰尘干扰：车间灰尘落在镜头或光源上，会在图像上形成固定的暗斑，算法可能把这个暗斑当成缺陷。如果发现图像上某个位置总是出现"缺陷"，先检查镜头和光源有没有灰尘。
视觉检测设备的标定包括相机标定（镜头畸变校正）和位置标定（检测区域和实际位置的对应关系）。标定参数如果漂移了，检测区域和实际位置对不上，误判就来了。
标定漂移的原因：相机支架松动导致拍摄角度变化、镜头焦环松动导致焦距变化、更换光源后亮度分布变化导致检测阈值需要重新调整。建议每周做一次标定检查，用标准件（已知缺陷位置和尺寸的样品）验证检测精度，发现偏差及时重新标定。
上海科迎法在视觉检测设备交付时提供完整的排查手册，包含光源选型指南、算法模型迭代流程、夹具精度检测方法和环境干扰排查清单。设备上线后我们提供远程技术支持，客户遇到误判问题可以先按照排查手册自查，大部分问题可以在现场解决。
