在球帝球迷社区的话题讨论区，经常有人问：工厂里上机器视觉质检，到底难在哪？难的不是算法，而是把一条跑了十几年的产线，改造成能稳定输出判断的检测单元。下面这份手记来自一位汽车零部件企业的质检主管林致远，他所在的企业在两年前启动了视觉质检改造，过程不算顺利，但经验值得摆出来聊。

先想清楚：要检的是缺陷，还是节拍

林致远接手项目时，第一件事不是选相机，而是把过去半年的客诉和返工记录翻了一遍。他发现真正造成批量问题的缺陷只有四类，其余大多是偶发外观瑕疵。

这一步很关键。很多工厂一上来就追求“全检全判”，结果样本不足、标注混乱，模型上线后误判率居高不下。林致远的做法是先锁定四类高发缺陷，把检测目标收敛，再考虑节拍匹配。他在球帝的球迷社区里写过一句话：质检改造的第一步是减法，不是加法。

  • 梳理近半年客诉与返工记录，按缺陷类型聚类
  • 确认每类缺陷的可接受判定边界，形成书面标准
  • 评估产线节拍，明确单件检测时间上限
  • 把“人眼能判”和“人眼难判”的缺陷分开处理

样本比算法更费工夫

真正拖慢进度的是样本。良品样本好收集，缺陷样本却要靠产线“等”，有的缺陷一个月才出现几次。林致远的团队用了两个办法：一是在试产阶段主动做缺陷复现试验，二是把历史返工件重新拍照入库。

他们在球帝球迷社区分享过一个细节：同一类划痕，在不同光照角度下拍出来的样本差异极大，如果样本库只覆盖单一光照条件，上线后必然翻车。因此样本采集必须覆盖多角度、多批次、多供应商来料。这个过程枯燥，但决定了后面模型的天花板。

  • 建立缺陷样本编号规则，与工单号绑定
  • 每类缺陷至少覆盖三种光照与两种来料批次
  • 定期补充新样本，防止模型随工艺变化而退化

误判调优是长期活，不是一次性交付

系统上线第一个月，误判率明显高于预期，主要来自反光件和油污干扰。林致远的处理方式是把误判件全部留存，按原因分类，再逐类调整成像方案，而不是一味调算法阈值。

他强调，视觉质检的调优是长期工作。工艺换了刀具、换了润滑油，成像效果就会变。团队后来形成了每周复盘机制，把误判件当作“新样本”回流。球帝球迷社区里有做设备维护的网友留言说，这套思路和设备健康管理其实相通——都是靠持续的数据回流把系统养熟。

  • 误判件全量留存，按成像、工艺、样本三类归因
  • 优先改光源与工装，再考虑模型参数
  • 建立周度复盘，把误判件转化为训练样本
  • 与工艺部门联动，工艺变更前同步评估成像影响

检测之外：数据要能追溯

改造完成后，林致远最看重的不是漏检率数字，而是每条检测记录都能追到工单、批次和设备参数。客户审核时，这套追溯链条比任何报告都有说服力。

他建议准备做视觉质检的工厂，在方案设计阶段就把数据留存和追溯码规划进去，别等验收时才补。球帝球迷社区里不少制造业读者关心这类落地细节，林致远也愿意继续在社区里交流。对球迷来说，看球是热爱；对制造人来说，把每一件产品判准，也是另一种热爱。