外观检测从规则算法转向深度学习，很多工厂的第一步是买一台AI视觉检测设备，装上去才发现缺陷样本不够、光源不稳定、节拍跟不上。上海科迎法电气在交付AI深度学习视觉检测系统时发现，设备能不能用，往往在选型阶段就决定了：相机分辨率不够，算法再好也看不清；光源角度不对，划痕和油污分不开。节拍、精度和缺陷可见性这三项如果在立项时没有量化，后面任何算法调整都只是在补救，设备验收也很难有统一口径。本文从算法差异讲起，把硬件选型、样本训练、产线集成和验收维护逐项说明。
一、AI视觉与传统规则视觉的区别
规则算法的局限
传统视觉靠边缘、灰度、面积等特征设定阈值，适合尺寸测量和有无判断。缺陷形态一多，阈值就要反复调，换一批来料又得重调。划痕、脏污和反光在灰度图上可能很接近，规则算法很难稳定区分。同一工位一天内切换多种规格时，参数版本管理本身就会成为新的出错来源，模板要能按料号自动调用。产线换型频繁时，维护人员大部分时间花在调参数上，而不是处理异常。
深度学习擅长的缺陷
深度学习从样本中学习特征，对形态不规则、边界模糊的缺陷更有优势。划伤、压痕、异物、缺料这类缺陷，只要样本覆盖足够，模型可以给出较稳定的判断。它对光照变化也有一定容忍度，但前提是训练样本包含这些变化。算法不是万能，缺陷在图像上不可见时，再好的模型也检不出来，光学方案要先过关。
样本与标注是前提
AI项目的成败，很大程度取决于样本。缺陷样本要覆盖不同批次、不同位置和不同严重程度，正常样本也要有足够数量。标注要统一标准，同一种缺陷不同人标法不一致，模型就学不明白。标注规范的评审要拉上工艺和质量人员，只由算法团队定义类别，后期很容易因为判定口径不同而推翻重来。项目启动前先做样本盘点，缺什么补什么，比先买设备再找样本更稳妥。
二、系统组成与硬件选型
相机与镜头
相机分辨率要按最小缺陷尺寸和视野换算，缺陷在图像上至少占几个像素，模型才能稳定识别。全局快门适合运动拍摄，卷帘快门在高速下会变形。镜头焦距按工作距离和视野选，景深要覆盖产品高度差。视野与精度的换算要留出余量，按理论极限值选型，实际成像往往达不到预期，返工成本高于前期多花的时间。像锂电池电芯外观视觉检测设备这类系统，会把相机、镜头和运动机构一起匹配，避免单独选型时顾此失彼。
光源方案
光源的作用是把缺陷从背景中分离出来，角度比亮度更重要。划痕适合低角度暗场，平面脏污适合同轴光，透明件适合背光。光源不稳定会让模型把光照变化当成缺陷，误判率随环境波动。选型时要带实际样品试打光，不能只看样本图片。频闪光源要确认与相机曝光同步，否则同一件产品在不同帧里亮度不一致，模型会把亮度差异当成缺陷特征。光源寿命和散热也要考虑，长期衰减会让阈值漂移。
算力与节拍
模型推理需要算力，节拍要按产线速度换算成单件处理时间。高分辨率图像加复杂模型，普通工控机可能跑不动，需要独立显卡或者边缘计算盒。节拍余量要留出复判和通信时间，不能按理论值卡满。多工位共用一套算力时，要评估并发后的延迟。模型量化和剪枝可以降低算力占用，但上线前要重新验证精度。算力不足表现为丢帧和漏检，往往被误认为算法问题。
三、缺陷样本与模型训练
样本采集
采集要在实际产线光照和运动条件下进行，实验室摆拍的数据到现场往往不适用。每个缺陷类别至少收集足够数量，稀有缺陷可以用人工制造或者历史数据补充。正常样本要包含不同批次和不同供应商来料，否则模型会把正常差异当成缺陷。采集数量按类别平衡，缺陷样本过少时可以用加权损失缓解，但不能替代真实数据，稀有缺陷仍需现场蹲点补采。采集时记录工艺参数，后期分析误判才有依据。
标注与数据增强
标注框要贴合缺陷边界，类别定义要写清楚，模糊样本单独讨论。数据增强可以旋转、缩放、调整亮度，但不能改变缺陷本质。增强过度会让模型学到不存在的特征。训练集、验证集和测试集要按批次划分，不能随机打散，否则指标虚高。
误判与复判机制
再好的模型也会有误判，系统要支持复判和样本回流。误判样本自动存档，定期加入训练集重新训练。像玻璃注射器视觉检测设备这类对异物和气泡敏感的场景，复判界面要能放大显示缺陷位置，方便人工确认。复判阈值可以按缺陷严重程度分级，轻微缺陷放行、致命缺陷必停，避免一刀切把节拍拖慢。没有复判机制，误判会直接变成停线或者客诉。
四、产线集成
触发与通信
相机触发要与输送节拍同步，光电传感器位置决定拍摄时机。通信协议要跟PLC和上位机匹配，IO、Modbus或者以太网都可以，关键是时序稳定。触发抖动会让同一位置拍出不同图像，模型判断随之波动。编码器信号与图像采集要对齐，位置偏差会让同一缺陷落在画面不同区域，判定结果也会出现偏差。集成前先做单机联调，再接入产线，避免把机械问题当成算法问题。
剔除与追溯
检出不良后要有剔除或者标记机构，动作延迟要算进节拍。剔除机构的响应时间要在最慢节拍下验证，速度快时气缸跟不上，不良品就会流到下游。剔除确认信号要回传，否则会出现漏剔。像3D激光轮廓视觉检测设备这类测量型系统，还要把高度数据和图像对应存档，便于追溯。追溯信息包括时间、工位、批次和图像，缺一项都难以复盘。
数据与MES
检测结果要能上传MES或者本地数据库，统计各缺陷类型的比例和趋势。数据接口要提前和IT确认，字段定义不清会导致后期反复改。图像存储容量要估算，全量存图成本高，可以按不良和抽检存储。统计口径要提前统一，同一缺陷在不同工位用不同名称，汇总时无法比较，改善方向也就无从判断。数据留得住，模型迭代和工艺改进才有依据。
五、验收与维护
验收指标
验收不能只看演示，要按漏检率、误判率和节拍三项指标，用独立样本测试。样本要包含正常品和各类缺陷，数量足够才有统计意义。验收环境要与产线一致，光照和振动都会影响结果。验收指标要写进合同，明确样本数量、判定标准和复测方式，避免后期各说各话。把验收样本封存，后期争议时可以复测。只测一轮就签字，问题往往在量产阶段暴露。
漂移与再训练
来料变化、光源衰减和镜头污染都会让模型性能下降。系统要有定期抽检机制，发现误判上升就分析原因。是光学问题先解决光学，是样本问题再补样本重训。像AI深度学习智能视觉检测系统这类平台，支持样本回流和模型版本管理，便于追踪每次更新。模型版本要留回滚通道，新版本上线前先在旁路并行跑一段时间，对比漏检和误判再切换。频繁重训而不查根因，只会让模型越来越不稳定。
备件与培训
光源、相机和镜头属于关键备件，建议按工位储备。操作人员要会基本的图像判断和复判，维护人员要会备份模型和恢复参数。培训不能只讲界面，要讲清楚什么情况该停机检查。把常见误判案例做成图册，比口头交接有效。需要按检测对象、节拍与精度配套的用户，可在AI视觉检测设备产品列表中对照方案。
常见问题解答
问：AI视觉一定要大量样本吗？
答：需要足够样本覆盖缺陷形态和来料差异，样本不足时模型稳定性很难保证。
问：普通工业相机能用吗？
答：可以，但要满足分辨率和快门要求，运动拍摄建议用全局快门相机。
问：误判率高是算法问题吗？
答：不一定，先查光源稳定性和镜头清洁，再查样本与标注是否一致。
问：模型需要多久更新一次？
答：按误判趋势定，来料或工艺变化时应及时补充样本重训。
问：检测节拍跟不上怎么办？
答：先核算图像分辨率和算力，再考虑分区检测或者增加工位。
问：需要联网吗？
答：不一定，本地部署也能运行，联网主要是为了数据上传和远程维护。
结语
AI视觉检测系统的核心不是算法名词，而是光学、样本和节拍三件事。科迎法电气建议先确认缺陷在图像上可见，再按精度选相机与光源，用真实产线样本训练并建立复判机制，验收时用独立样本测漏检和误判。把基础打牢，深度学习才真正替代人工。
