上周三下午的金工实训车间，我刚把第三组学生的铝合金冲压样件摆到检测台上，就看见后排那小子偷偷把自己训练了两周的YOLO模型截图往课件里塞——合着他以为装个AI外观缺陷检测的demo就算完成课程设计了？
太离谱了。
我当时没直接戳破他，只是等他上台演示的时候，故意把样件表面沾的一点指纹印放到相机镜头下面，屏幕上立刻跳出来一个红色的框，标着“严重表面污染，不合格”。台下哄一下就笑开了。他站在台上脸涨得通红，说自己训练的时候根本没考虑过这种小问题。
学生最先踩的坑：把检测模型当黑箱魔法
这不是个例。整个学期带实训，我发现超过七成的学生，接触AI外观缺陷检测的第一反应就是“找开源权重，跑通demo”。没人愿意花时间蹲在车间里，对着真实的生产样件摸清楚到底哪些缺陷是真的会影响产品使用的。
就拿我们实训用的铝合金端盖来说，课本上明明白白写着三类必须拦截的缺陷：超过0.5mm的冲压飞边、贯穿性的缩孔、深度超过0.3mm的密封面划痕。但我翻了十几个学生的训练集，一半人把样件表面的自然氧化斑、轻微的脱模痕迹全标成了“严重缺陷”，真正会导致后续装配卡壳、密封失效的大飞边，反倒因为样本量少，识别率连60%都不到。
他们根本没搞懂，这套检测系统最终是要给产线工人用的，不是给算法比赛的评委看的。你把每道氧化印都判成不合格，工人天天对着一堆误报的结果，用不了三天就会把系统关了，回到原来肉眼看的老路上去。
我做的设计取舍：砍掉所有花里胡哨的功能
最开始我给这门课定的考核标准，是要求检测准确率达到95%以上。改了三次作业之后，我直接把这条要求划掉，换成了“能稳定识别3类和装配精度直接相关的缺陷，误报率控制在工人能接受的范围”。
有个学生交的作业特别“好看”：系统能连云端数据库，能生成可视化的质量分析报表，还能自动把不合格的样件信息发邮件给质量主管。我直接给他打回了。
理由特别简单：我们实训车间的网是什么德行？大家都知道，信号飘到三楼都能断，搞云端纯属脱裤子放屁。后来我带着他把所有没用的功能全拆了，就留最核心的检测模块，架个旧的工业相机，下面垫块黑色亚克力板，模型跑在实验室用了五年的旧笔记本上，连外接的补光灯都是从之前的摄影社团仓库找的二手货。就这么个简陋的系统，实际用起来比他之前那个花里胡哨的云端系统靠谱多了——把样件往台上一放，3秒就能标出哪里有超差的飞边，哪里有需要返修的划痕，剩下的时间学生就能去调整自己的冲压模具参数，根本不用盯着屏幕等云端加载。
说实话，我特别烦那种一上来就堆参数的作业。什么模型参数量多少，mAP值多少，说的头头是道，一到实际用的时候，上午太阳从西边窗户斜照进来，下午车间的荧光灯换了一根，识别率直接掉一半。你在车间里装个检测系统，能保证光照永远是你训练模型时的那个亮度吗？
最后一轮复盘：藏在作业里的意外收获
收完所有作业那天，我在教研室坐了两个小时翻报告。最让我意外的是一个之前连Python环境都装不利索的女生，她做的系统准确率不是最高的，大概也就88%，但是误报率特别低。
她没有选那些参数量大的复杂模型，就用了个最轻量的YOLOv8n，自己在车间里拍了200张不同光照下的端盖样件照片，专门标了那些和公差超差相关的缺陷，甚至还在检测台旁边装了个可调节角度的补光灯，就为了应对不同时段的光照变化。她在报告里写，之前总觉得课本上的公差要求是离自己很远的数字，这次标缺陷的时候才反应过来，为什么飞边不能超过0.5mm——因为超过这个数值，后面的轴承装配就会卡得转不动。
真的。
我之前总觉得，教机械设计的学生碰AI外观缺陷检测，是赶时髦。现在才发现根本不是。以前在课堂上讲表面质量要求，讲公差配合，学生总觉得这些东西是课本上的死知识，考试考完就忘。现在让他们自己从拍样本、标缺陷、调模型开始一步步搭一套检测系统，他们才会真正把这些知识点嚼碎了咽下去。
说白了，所有的AI模型，本质上都是对人类已有经验的复刻。你得先自己搞清楚什么是会影响产品性能的缺陷，才能教AI去识别它。要是你自己都分不清哪些缺陷要拦、哪些可以放过，再厉害的模型也帮不了你。
当然也有闹笑话的。有个男生训练的模型，把样件上贴的课程编号标签全识别成了“表面裂纹缺陷”，我问他怎么回事，他挠头说，训练的时候忘了把标签区域抠掉。嗨，这就是没扎到现场摸实物的代价啊。
