2026-10-29 07:56:10 分类：机械设计
上周三下午在金工实训中心的二楼，我手里攥着半瓶没拧盖的冰红茶，刚要给大家演示传统视觉检测的参数调试，就被围在台边的学生拦住了。他举着个刚从3D打印机上取下来的ABS外壳，表面有一道半毫米深的、沿着层纹方向的凹坑，问我——之前查的开源检测模型跑同个样件，连这个凹坑都识别不出来，到底是哪里出了问题。
机械设计实训课学生围看3D打印外观缺陷样件
我当时愣了两秒。
这个问题我上个月去东莞的家电产线调研的时候，被干了十二年的工艺工程师吐槽过一模一样的事。他说之前花大价钱采购的现成AI检测系统，拉到产线上跑了一周，误判率高到师傅宁愿拿放大镜挨个看，也不愿意等系统报警。我那天在产线站了俩小时，看师傅把混着飞边、缩痕、细微划痕的样件摆成一排，旁边跑的模型把正常的磨砂纹理全标成了缺陷，连带着师傅们攒了半上午的检测数据，全成了没用的垃圾。笑都笑不出来。
当初设计这门模块的取舍
最开始做这门实训模块的大纲时，我其实想走个捷径——直接把现成的AI产品外观缺陷智能检测算法模型的开源代码包扔给学生，让他们照着教程跑通，导出个准确率报告就算完成任务。
毕竟之前翻了快十本相关的教材，大多都是这个套路：先讲卷积神经网络的发展历史，再调几个公开数据集，跑出来个95%的准确率，就完事了。
不对。
真不对。
机械设计专业的学生，未来不是要去算法公司当工程师，他们要对接的是产线的工艺、质量部门，要和算法供应商提需求，要判断检测系统的报警到底是真缺陷，还是系统抽风。如果整门课只教他们跑代码，那和教汽修专业的学生怎么拧开汽车引擎盖的螺丝，却不告诉他发动机的工作逻辑有什么区别？
所以我们把大纲改了三版，把所有需要从零推导损失函数、手写卷积层的内容全删了，核心只留一个教学目标：让学生搞懂模型的输入边界到底卡在哪。
说直白点，就是训练AI模型的时候，你给它看的是什么样的样本，它就只能识别什么样的缺陷。你拿窗边自然光拍的样件当训练集，到了车间4000K的环形灯光下，它连正常的阴影都能认成划痕。
最开始我们把标注规范做了整整三页，从飞边的宽度、划痕的深度、缩痕的面积，全给了量化标准，结果学生第一次做标注的时候，同一个样件，三个人标出来的缺陷位置差了两毫米。后来干脆把合作企业用了三年的产线标注手册复印给他们，里面甚至写了“如果缺陷位置在产品的非可视面——也就是装在整机里之后用户根本摸不到的位置——哪怕有一厘米的缩痕，都不算需要报警的缺陷”。
消费电子塑料外壳常见外观缺陷标注示例图
学生拿到手册的时候全笑，说原来企业里的标准根本不是书本上写的“零缺陷”，全是摸爬滚打攒出来的实用规则。
学生第一次搭出可用模型时的意外
学生第一次搭出可用模型时的意外
上周有个组，本来照着教程跑出来的模型，对他们自己3D打印的样件检测准确率只有62%，几个人蹲在实训室的角落改了一下午代码，把学习率调了三回，数据增强加了四五种，准确率还是纹丝不动。
都要放弃了。
结果他们想起之前我提过的光照校准的事，干脆找了实训室里闲置的两个环形光源，按照产线的角度固定在拍摄工位的两侧——光源距离样件30厘米，倾斜45度，和他们之前拍训练样本时举着手机在窗边瞎拍的状态完全不一样。
结果跑出来的准确率直接跳到94%。
他们当时在实训室里喊的整层楼都能听见，我在走廊都听见了，以为他们把3D打印机搞炸了。
这几轮实训做下来，我们最大的感受是，至少七成的效果差异，根本不是算法调优带来的。很多人把AI产品外观缺陷智能检测算法模型当成个黑盒，觉得只要算法够好，什么问题都能解决，其实根本不是——你采集样本的时候光照稳不稳，拍摄的距离对不对，样件的摆放角度和实际产线上的角度是不是一致，甚至你用的镜头有没有畸变，这些细节带来的效果波动，比你调十轮学习率带来的提升大得多。
说实话，之前我也觉得机械设计的学生碰AI检测的内容有点跨度过大，现在看来根本不是——机械设计的人最懂产品的结构，知道哪个位置是用户日常能看见的，哪个位置是藏在机壳里面的，知道不同表面处理工艺会产生什么样的正常纹理，这些东西是纯算法出身的工程师根本补不上的。
不过话说回来，我们也没打算让机械专业的学生毕业就去当算法工程师。就是要让他们在未来对接产线的检测系统的时候，不会被供应商拿个“高准确率黑盒模型”忽悠——知道哪些坑是可以提前避的，哪些需求是可以落地的，哪些话是供应商说出来好听但根本达不到的。
昨天最后一次实训下课，有个学生把自己做的模型拷在U盘里，说毕业去家电厂上班，要把这个东西拿给产线的师傅看看，说不定能省点检测的时间。
我当时没接话，就给他递了瓶冰可乐。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。如有侵权请联系删除。
文章名称：把AI产品外观缺陷智能检测算法模型塞进机械设计实训课的那三周
文章链接：https://yqhljx.com/list_9/5052.html
