误区三：算法万能论——忽视光学硬件基础，指望软件弥补一切
这个误区，我见过太多人踩进去了。
很多刚入行的工程师，甚至一些老手，总觉得算法是万能的。图像不清楚？调算法。对比度不够？上深度学习。照明不均匀？后期做平场校正。说白了，就是指望用软件去填硬件的坑。
我跟你讲，这条路走不通。光学检测的根基，永远是光、是硬件。算法只是放大器，它能把好的信号放大，也能把噪声和缺陷一起放大。
一个让我印象深刻的案例
几年前，我接手过一个手机玻璃盖板检测项目。客户那边的算法团队折腾了三个月，误判率始终降不下来。他们试了各种滤波、各种分割算法，甚至上了最新的语义分割网络，效果都不理想。
我去现场一看，问题出在光源上。他们用的是一根普通的条形光，角度没调好，导致玻璃边缘的划痕在图像里几乎看不见。你想想看，传感器都没捕捉到缺陷信号，算法再强能变出来吗？
后来我帮他们换了一组同轴光源，配合低角度环形光，划痕的对比度直接提升了5倍。同样的算法，误判率从15%降到了1%以下。算法没变，变的是硬件基础。
核心认知：光学检测的本质是“信号采集+信号处理”。硬件决定了信号的上限，算法只是逼近这个上限。硬件采集不到的信号，算法永远无法恢复。
算法与硬件的真实关系
我习惯用一个简单的公式来理解这件事：
| 维度 | 硬件（光学+传感器） | 算法（软件） |
|---|---|---|
| 角色 | 信号源，决定信息质量 | 信号处理器，决定信息利用率 |
| 上限 | 决定了“能看到什么” | 决定了“能分析到什么程度” |
| 投入产出比 | 前期投入高，但效果立竿见影 | 边际效益递减，越往后越难提升 |
| 典型误区 | 随便买个光源，指望算法搞定一切 | 花几个月调参，不如换个镜头来得快 |
说白了，硬件是1，算法是后面的0。没有那个1，后面加再多0都没用。
常见“算法填坑”的失败场景
我在项目中遇到过几种典型的“算法填坑”案例，基本都以失败告终：
- 场景一：照明不均匀 —— 有人想通过平场校正算法来补偿。但校正后的图像会放大传感器暗区的噪声，导致微缺陷被噪声淹没。
- 场景二：景深不够 —— 想用多帧融合算法来合成清晰图像。但被测物体如果有振动，融合后反而出现重影，检测精度大打折扣。
- 场景三：分辨率不足 —— 指望超分辨率算法来“无中生有”。实际上，超分只能插值，无法恢复真实的高频细节，比如微米级的划痕。
- 场景四：反光/眩光 —— 想通过偏振算法后期消除。但偏振信息在采集时就已经丢失了，后期处理只是“猜”，猜不准。
避坑指南：我曾经在一个PCB焊点检测项目上，花了整整两周时间写算法去消除环形光源造成的中心暗区。后来发现，只要把光源抬高5厘米，暗区就消失了。两周的算法工作，不如5分钟的硬件调整。从那以后，我给自己定了个规矩：算法调参超过两天没进展，先回头检查硬件。
正确的硬件优先策略
那么，正确的做法是什么？我建议按照这个优先级来：
- 先选对光源 —— 根据缺陷类型（划痕、脏污、凹凸、颜色差异）选择光源颜色、角度和形状。这是最重要的一步。
- 再选好镜头 —— 分辨率、景深、畸变、工作距离，这些参数要匹配你的检测精度要求。
- 然后选传感器 —— 靶面大小、像元尺寸、帧率、信噪比，决定了你能捕捉到的信号质量。
- 最后才是算法 —— 在硬件已经最优化的前提下，用算法做最后的信号提取和判断。
这个顺序不能乱。我见过太多项目，硬件随便选，然后让算法团队去“救火”。结果往往是算法团队累死，项目还延期。
知识结构图：硬件与算法的协同关系
下面这张图，是我自己总结的硬件与算法在光学检测中的协同关系。你可以看到，硬件是基础层，算法是应用层，两者必须匹配才能达到最佳检测效果。
什么时候可以“算法优先”？
当然，我不是说算法永远不能优先。有几种特殊情况，算法确实可以走在前面：
- 硬件改造成本极高 —— 比如产线已经定型，换光源需要停机改造。这时候可以用算法做补偿，但要接受性能损失。
- 缺陷类型不确定 —— 研发阶段，还不知道会出现什么缺陷。先用算法做探索性分析，再根据结果优化硬件。
- 多品种小批量 —— 换产品就换硬件不现实。这时候可以用算法做自适应调整，但硬件本身还是要选一个“万金油”方案。
我的建议：如果你预算有限，把钱花在光源和镜头上，比花在算法工程师身上更划算。一个好的光学方案，能让你的算法工作减少80%。我这些年做项目，最大的体会就是：硬件上省的钱，最后都会加倍花在算法上。
总结一下
算法万能论，是光学检测里最贵的学费。别指望软件能弥补硬件的缺陷。先把光打好，把图像拍清楚，再谈算法优化。这个顺序，颠倒了就是坑。
记住一句话：好的检测系统，是设计出来的，不是调试出来的。