机器视觉表面缺陷检测是当前工业AI落地最成熟的领域之一。但很多企业上了智能质检系统后，效果并不理想——误报率太高，操作工不信任；漏检率降不下来，客户投诉照样来；系统换一个产品就要重新训练，维护成本高。

智能质检的核心价值不是“替代人”，而是“稳定”——机器不会疲劳、不会情绪波动、不会因为今天心情不好而漏检。但前提是，这套系统要真正用起来、用得好。

一、智能质检的适用场景

不是所有质检都适合上智能系统。盲目上马，只会花冤枉钱。

适合的场景：缺陷类型相对固定，虽然有变化但是有规律的。节拍快、人工容易疲劳的场合，比如每小时看几千个瓶子。环境不友好对人眼有伤害的，比如高温、强光、粉尘环境。精度要求高、人眼难以分辨的，比如微米级尺寸、微小瑕疵。数据量大、人工难以统计的，需要量化缺陷率和缺陷类型分布。

不适合的场景：缺陷类型极其多变，没有规律的。样本极少无法训练模型的，比如一年才出几次的缺陷。判断标准主观性强的，比如“美观度”。投资回报算不过来的，人工检验成本很低、缺陷率极低，不值得投资。

二、智能质检系统的构成

智能质检系统不只是“一个相机+一套软件”。硬件包括工业相机、镜头、光源、工控机。软件包括图像处理、缺陷识别、结果输出。还有机构配合分拣、剔除、报警。

成像系统是质检的“眼睛”。相机的分辨率决定了能看清多小的缺陷，速度决定了能跟上多快的产线。光源往往是最关键的环节，一个好的光源方案比好的算法更重要。打光方式、光的颜色、光的角度，直接影响缺陷能不能“显出来”。

算法与模型是质检的“大脑”。传统算法用于尺寸测量、有无检测等规则明确的场景，计算快、可解释性强。深度学习用于表面缺陷检测等复杂场景，适应性强，但需要大量样本、计算资源大。

执行机构是质检的“手脚”。检测到缺陷后需要剔除、报警、记录。剔除机构的速度和准确性直接影响产线节拍。

关键点：很多项目的失败不是因为算法不行，而是成像没做好——光源打不好，缺陷拍不出来，再好的算法也白搭。

三、模型训练与优化

智能质检的灵魂是模型。模型不准，一切都是空谈。

样本采集是关键。正常样本容易获得，缺陷样本往往稀缺。需要收集缺陷样本、标注缺陷位置和类型。样本量一般需要几千甚至几万张。样本分布要覆盖各种缺陷类型、大小、位置、光照条件。模型泛化能力依赖样本多样性。样本不覆盖，现场必然出问题。

模型训练不是一次性的。新品上线需要新样本训练新模型，工艺变更后旧模型可能失效，光源老化、相机偏移后模型需要微调。需要建立模型持续优化机制：定期收集现场误报和漏报样本、定期重训练、版本管理。

过拟合与欠拟合。过拟合指模型记住了训练样本、没见过的新样本识别不好，容易发生在新品调试时、测试集与生产环境差异大时。欠拟合指模型没学到缺陷特征，训练不充分或样本太少。

四、智能质检的落地要点

产线集成是入门第一步。相机安装在固定位置，触发拍照同步。检测结果实时输出给PLC，触发剔除或报警。检测速度要匹配产线节拍。

人机协同用于解决当前算法局限。可疑品人工复核降低误杀，模型边界案例人工判断积累样本。复合判断交给机器，复杂判断留给人工。

实际案例：某电子元器件企业上线端子外观检测系统。首月误报率高达15%，操作工基本不看系统报警，直接手工全检。分析发现光源方案不当，不同批次产品反光差异大。优化光源，改用同轴光加环形光组合，误报率降到3%。同时设置可疑品人工复核通道，操作工每天复核约100个可疑品，其中真正缺陷约5-10个。系统逐步被信任后，全检人力从8人减到2人。

维护与校准包括定期清洁镜头和光源，定期验证模型准确率，发现漂移及时调整。光源老化后亮度下降需要补偿或更换。