1. 工业视觉工程全景

工业视觉项目与实验室里的图像分类实验有本质区别。实验室关心的是模型在测试集上的准确率，而产线关心的是：这个模型能不能在节拍时间内稳定地把坏品挑出来，并且不把好品误判成坏品。理解这条从需求到部署的完整链路，是后续所有模型开发、数据闭环和部署验证工作的前提。

一、一条完整的工程链路

一个典型的工业视觉项目，从需求提出到稳定上线，通常要经过需求定义、成像方案、数据采集与标注、模型开发、部署集成、现场验证与迭代这几个阶段。它们不是单向流水线，而是带有反馈回路的闭环：现场验证暴露的问题，往往要回到数据采集甚至成像方案去解决。

链路中最容易被低估的是成像方案。很多项目失败并非模型不行，而是光源、镜头、相机选型不当，导致缺陷在图像上根本不可分辨。例如检测金属表面的细微划痕，若用普通环形光，划痕与背景对比度极低；改用低角度条形光后，划痕因散射差异而清晰显现。成像决定了信息上限，模型只能逼近这个上限。

二、典型任务：缺陷检测与尺寸测量

工业视觉任务大致分为两类。一类是缺陷检测，判断产品表面或内部是否存在划痕、脏污、气泡、缺料、错装等异常，输出通常是“OK/NG”或缺陷类别与位置。另一类是尺寸测量，测量孔径、间距、角度、位置度等几何量，输出是带公差的数值。

两类任务对指标的要求截然不同。缺陷检测关注漏检率和过杀率：漏检意味着坏品流出，可能造成客诉甚至安全事故；过杀意味着好品被误判，直接拉低良率、增加返工成本。二者需要根据缺陷的严重程度分别设定阈值。尺寸测量则关注重复性与准确性，通常要求测量重复性优于公差带的十分之一，例如公差 ±0.05 mm 的尺寸，测量系统重复性应控制在 ±0.005 mm 量级。

以某连接器端子检测为例：需要检测端子是否缺失、是否歪斜、以及端子间距是否在 2.00 ± 0.05 mm 范围内。缺失和歪斜属于缺陷检测，间距属于尺寸测量。前者用目标检测或分类模型，后者用亚像素边缘定位加标定换算。同一个工位往往需要两类算法协同工作。

三、工程化挑战

把模型做出来只是开始，真正的难点在工程化落地。

• 样本不均衡与缺陷稀缺：良品成千上万，真实缺陷可能只有几十个。直接训练会导致模型偏向多数类，需要过采样、合成缺陷或采用异常检测思路。
• 节拍约束：产线可能要求单件检测在 100 ms 内完成，包含图像采集、推理和后处理。这限制了模型规模和输入分辨率，往往需要在精度与速度之间权衡。
• 环境漂移：光源老化、镜头积尘、产品批次变化都会让图像分布缓慢偏移，模型上线时的准确率会随时间下降，必须建立监控与再训练机制。
• 可解释与可追溯：当模型判 NG 时，产线人员需要知道“哪里不对”。输出缺陷位置热力图或标注框，比单纯给一个分数更有说服力，也便于复判。
• 与产线系统集成：模型推理结果要通过通信协议（如 TCP、Modbus、OPC UA）传给 PLC，触发剔除机构，同时把图像和结果存入数据库供追溯。

四、课程项目设定

本课程以一个贯穿始终的示例项目为载体：金属端子表面缺陷检测与间距测量。项目设定如下（以下参数为教学示例，非实测数据）：

后续章节将围绕这个项目，依次展开成像设计、数据采集与标注规范、模型选型与训练、数据闭环机制、部署与性能优化、现场验证与迭代。每一章都会给出可操作的参数、代码或检查清单，最终形成一套可复现的工程流程。

需要强调的是，工业视觉工程的核心不是某一个模型或某一段代码，而是把需求、成像、数据、模型、部署、验证串成一条可控、可追溯、可迭代的链路。理解这条链路的全貌，才能在后续每个环节做出正确的工程取舍。