在悟空体育的新闻与洞察栏目里,我们接触过大量制造企业的质检团队。真正让项目卡住的,往往不是算法不够先进,而是立项阶段没人把基础问题问清楚:缺陷到底长什么样、成像能不能稳定复现、验收标准由谁定义。这篇科普把入门阶段最高频的十个问题整理成一条线索,供质量团队在选型和推进时对照。

一、先问“看得见”,再问“算得准”

机器视觉质检的第一性原理是成像,而不是算法。悟空体育在多个项目复盘中看到,超过一半的误判根因可以追溯到成像环节:对比度不足、反光干扰、景深不够、运动模糊。算法只能在图像提供的信息范围内做判断,图像本身丢失的特征,再强的模型也补不回来。

因此入门阶段最值得投入时间的动作,是拿真实缺陷样品做成像试验。建议至少覆盖三类样品:典型缺陷、边界缺陷、良品中的“容易误判项”。用不同光源角度、不同镜头焦距各拍一轮,观察缺陷与背景的分离度是否稳定。这个阶段的产出不是一张漂亮图片,而是一份可复现的成像条件清单。

  • 明场适合表面划痕、字符、印刷缺陷,暗场更适合凸起、凹坑、边缘毛刺。
  • 同轴光能压制高反光金属表面的镜面反射,但会削弱低对比度的浅划痕。
  • 条形光与环形光的差别不在亮度,而在阴影方向是否与缺陷走向形成夹角。
  • 镜头分辨率要按最小可检缺陷尺寸倒推,不要按相机像素数拍脑袋。

二、算法选型的三个现实约束

算法没有绝对优劣,只有与场景匹配与否。悟空体育建议用三个约束来筛:缺陷是否有明确几何特征、样本量是否足够、节拍是否允许复杂计算。传统视觉在尺寸测量、定位、规则性缺陷上依然是性价比最高的选择;深度学习更适合外观类、形态多变、难以用规则描述的缺陷。

样本量是最容易被低估的变量。一个类别只有十几张样本时,模型很容易记住背景而不是缺陷。实践中可以先做小样本可行性验证,观察模型在留出集上的表现是否稳定,再决定是否扩大采集。节拍方面,边缘侧推理与集中式推理的取舍,取决于单件检测时间和产线允许的响应窗口,这一点在立项时就要和产线负责人对齐。

  • 规则明确的尺寸与位置类检测,优先传统视觉,维护成本低、可解释性强。
  • 外观类缺陷且样本可积累,深度学习更合适,但要预留标注与迭代人力。
  • 多品种小批量产线,要考虑换型时的模型切换与参数复用机制。
  • 任何方案都要问一句:三个月后新出现的缺陷类型,谁来补样本、谁来更新模型。

三、误判归因:把“不准”拆成可查的环节

误判率高不是一个可以行动的问题,必须拆解。悟空体育推荐把误判分成四层归因:成像层(图像质量波动)、标注层(标准不一致)、模型层(泛化不足)、执行层(触发、剔除、复判流程出错)。四层的处理方式完全不同,混在一起讨论只会让会议陷入争论。

一个实用的做法是建立误判样本台账,每条记录包含图像、判定结果、人工复核结论、当时的成像参数与物料批次。运行一段时间后,按批次和班次做分布统计,往往能看出规律:某个供应商批次的来料反光特性变化,导致某一类误判集中出现;或者某个班次的补光老化,造成对比度缓慢下降。这类线索用数据说话,比反复调参有效得多。

  • 先确认误判是否可复现:同一件样品重复检测多次,结果是否一致。
  • 再确认标准是否统一:不同质检员对边界缺陷的判定是否一致。
  • 最后才讨论模型:训练集是否覆盖了当前产线的真实分布。
  • 验收指标要写清口径:漏检率、过杀率、复判率分别如何统计、样本如何抽取。

四、给入门团队的推进建议

把机器视觉质检当成一个工程问题而不是采购问题,成功率会明显提高。悟空体育在栏目中反复强调一个观点:先定义问题,再定义指标,最后才定义设备。立项文档里如果写不清“什么算缺陷、什么算可接受、谁来最终判定”,后续所有讨论都会失焦。

推进节奏上,建议先用一条产线、一个工位做小闭环,跑通成像、标注、训练、上线、复判、迭代的完整链路,再考虑复制。复制时重点不是复制硬件清单,而是复制那份成像条件清单和误判台账的方法。想持续跟进这类落地经验,可以在悟空体育客户端(安卓、苹果 iOS)阅读栏目更新,也可以回到本站新闻与洞察列表查看同方向的案例复盘。

  • 立项前完成成像可行性试验,并留存可复现的参数记录。
  • 验收标准由质量、工艺、产线三方共同签字,避免后期扯皮。
  • 上线后保留人工复判通道,用复判数据反哺模型与标准。
  • 把误判台账作为日常管理动作,而不是出问题才翻记录。