整理了我们团队近3年在17个制造车间落地来料智能检测项目的真实经验，没有虚头巴脑的概念，全是选型、成本、落地环节的踩坑细节，适合正在评估相关方案的中级工程师参考。上周刚在苏州的汽车结构件厂蹲完3天，帮他们把来料检测的漏检率从2.1%压到了0.08%，中间踩的坑，真的能写满半本笔记。
别上来就堆相机：来料检测的第一个坑是把检测场景当成实验室场景
之前接触过一个做冲压件的同行，前年花200万上了一整套进口的视觉检测系统，结果装在来料工位上根本用不了。为啥？选型阶段他们只拿了实验室里擦得锃亮的标准样件测参数，完全没考虑实际生产里的来料状态——冲压件是带着防锈油堆在料框里送过来的，表面的油膜被光线一照，反射光乱飘，普通全局快门相机拍出来的图像全是亮斑，别说识别0.2mm的划痕，连零件的轮廓都拍不清楚。
我当时蹲在工位旁边数了一上午，120件来料，系统漏了17件，当场想把供应商的人拽去看现场——合着你们的测试报告是在无尘实验室里写的？我们后来在现场测了整整一周，把不同批次零件表面的油膜厚度、反光率、堆叠倾斜角度的所有边界值都记下来，发现当油膜厚度超过12μm的时候，普通500万像素相机的成像信噪比会从32dB直接掉到11dB，根本达不到检测要求。最后换了穹顶式漫反射光源，把光线的入射角调到15度以内，才把成像的SNR拉回30dB以上，这时候再测表面划痕，识别准确率终于回到99.5%。
这里要提一句，别被供应商的“高精度”宣传忽悠，所有检测能力的前提是匹配真实的来料边界。参考GB/T 2828.1的抽样逻辑，智能检测的覆盖优先级要先抓A类致命缺陷（比如裂纹、缺料），再逐步覆盖B类的外观缺陷，别一开始就追求100%全缺陷覆盖，成本根本扛不住。
算清楚ROI再谈算法：很多人搞错了智能检测的核心成本结构
说实话，我见过太多供应商的方案，一上来就给你配20多万的GPU服务器、上百个相机，算下来整个项目要投小百万，回本周期要7年以上——这不是扯淡吗？
我们之前给长三角的机加工企业算过一笔账：一个来料检测工位，原来配3个检验员，两班倒算上社保、工位空间成本，一年的人力支出大概是48万。如果上适配金属零件检测的智能系统，配2台1200万像素的面阵相机、远心镜头、环形漫射光源，再加一个搭载Jetson Orin NX的边缘计算盒子，整套硬件成本才6.8万，算法年授权费1.2万，按5年折旧算，一年的综合成本才2.56万。这账怎么算都划算。
这里有个绝对不能省的选型点：远心镜头是尺寸类检测的核心，省什么都不能省这个钱。我们实际测过，在300mm工作距离下，带双远心镜头的视觉系统测量精度可以达到±0.01mm，完全覆盖IT7级的公差要求；如果换成普通定焦镜头，透视畸变带来的测量误差就能到0.05mm，根本测不准高精度的尺寸公差。
不过话说回来，也不是所有场景都适合上智能检测。上次碰到个做紧固件的老板，说要上系统检测螺纹牙型，我直接劝他别花这个冤枉钱——用接触式的螺纹通止规，单个检测成本才几毛钱，检测速度比视觉系统快3倍，为啥要花几万块搞智能检测？
别迷信零漏检：智能检测的最后一块拼图是和人工检验的兜底逻辑
我最烦听到供应商说“我们的系统可以实现零漏检”。扯什么呢？哪怕你给模型喂10万张缺陷图，碰到从来没见过的缺陷形态，照样会漏。之前碰到过一批铝型材，因为挤压模具磨损带来了周期性的亮纹，之前的训练集里根本没有这类样本，系统直接把整批件判成合格，等到后面阳极氧化做完才发现整批都废了，直接损失12万。
那怎么平衡准确率和成本？我们统计了近2万张检测样本的置信度分布，发现当把系统的判废阈值设为0.8的时候，整体的误判率（把好件判成废件）大概是1.2%，漏检率大概是0.15%；如果为了降误判率把阈值拉到0.9，误判率是降到0.3%了，漏检率反而会升到0.7%，得不偿失。不要为了追求低误判率把阈值拉得过高，把置信度在0.6到0.8之间的模糊样本自动推到人工复检工位，才是性价比最高的选择。
我见过太多厂，上了智能检测系统之后直接把检验员全裁了，觉得机器比人靠谱，结果呢？漏检的件流到客户端被退货的时候，才想起那几个干了10年的老检验员——人家什么稀奇古怪的缺陷都见过，这是机器短期追不上的。现在我们给客户做方案，一定会留1个复检工位，每次人工发现的新缺陷样本，都及时回传到训练集，每个月迭代一次模型，一般3个月之后，漏检率就能稳定在0.1%以下。
写这些的时候，刚收到苏州那个结构件厂的消息，这个月的来料漏检率已经稳定在0.07%，客户端的来料投诉降了80%。其实哪有什么高大上的智能检测啊，说白了就是把之前人工检验的经验，拆成机器能听懂的规则，算清楚每一分钱的成本，别被供应商的PPT忽悠，别追求不切实际的零缺陷，踏踏实实把现场的边界条件摸清楚，比什么都强。
