企业官网建设流程全解析

做工业缺陷检测这行，绕不开两个问题：用什么算法，靠什么库落地。相机、镜头、光源选完之后，真正决定项目能不能验收的，往往就是这两件事。我见过太多方案在实验室跑得漂亮，一上产线就崩——不是硬件不行，而是算法路线选歪了，或者工具链搭得不顺手，调试成本高到项目拖期。这篇就聊聊机器视觉工业缺陷检测里常用算法与库的那些实战细节，把我自己踩过的坑、试过的组合、以及一些参数怎么算出来的过程，尽量写清楚。不管你是刚入门的新人，还是已经做过几个项目想再系统梳理一遍的老手，应该都能从里面挑到能直接用的东西。

1. 动手选算法之前，先把这几件事想明白

1.1 像素精度到底被什么东西牵动

很多人一上来就问"用哪个算法"，我更想先问一句：你的成像系统现在能看清多少？因为算法再强，也不能凭空造出信息。

像素精度的基本算式很简单：

单方向像素精度 = 视野（FOV）宽度 ÷ 相机该方向的像素数

举个例子，FOV 是 80 mm × 80 mm，相机是 5000 × 5000 像素，那像素精度就是 80 ÷ 5000 = 0.016 mm/px。如果换成 2000 × 2000 像素的相机，同样视野下就是 0.04 mm/px，差了 2.5 倍。

那"机器视觉动了什么会导致像素精度变化"？顺着这个公式反推就清楚了。第一类是相机本身变了：分辨率变了，或者换了一台像元尺寸不同的机器，虽然分辨率一样，但靶面尺寸变了会连带影响镜头选型，最终 FOV 也跟着变。第二类是光学链路变了：换了镜头焦距、调了工作距离、加了增倍镜或者延长环、更换远心镜头，这些都会直接改变 FOV。第三类是看起来不显眼但特别致命的：镜头畸变没做校正，视野边缘的实际像素精度和中心差一大截；相机安装有倾角，斜视会让视场发生透视变形；产线机械抖动导致工件在曝光瞬间移动，图像拖影，等效于精度下降。

还有一点必须拎出来讲：像素精度不等于测量重复性。亚像素算法在边缘对比度好、光照稳定的前提下，重复性做到 0.1 像素甚至 0.05 像素是有可能的，也就是 0.016 mm/px 的系统重复性可以到 1.6 μm 到 0.8 μm 这个量级。但如果光照在抖、工件表面反光不一致，亚像素的收益会立刻被吃掉。所以真正做项目，我会要求先做一轮 GRR（量具重复性与再现性）测试：同一批样品，反复上下料 30 次，看测量的标准差。这个数据比标称像素精度有用得多。

至于缺陷检出能力，我的经验值是这样的：缺陷在图像上最小维度的投影至少要占到 3 个像素，才谈得上稳定检出；对比度极高的情况下能压到 2 个像素，但误报率会明显上升。按 0.016 mm/px 算，3 像素对应 0.048 mm，也就是说这个系统理论上能可靠检出 0.05 mm 级别的划痕——前提是打光把它照出来了。

1.2 从缺陷特征倒推算法路线

我习惯把工业缺陷先分成四类，分类比选算法重要得多。

第一类是尺寸位置类，比如孔径、间距、偏移、缺失，这类缺陷有明确的几何定义，用传统算法加上亚像素测量就能做到很高精度，而且速度极快、结果可解释。

第二类是外观类，比如划痕、脏污、色差、压伤，形态多变、边界模糊，传统算法往往力不从心，深度学习的分类或者分割会更有效。

第三类是纹理类，比如麻点、橘皮、织纹异常，人眼看着有区别但说不出具体位置，这类问题用异常检测思路（只学好样本，偏离即报警）往往比强行标注缺陷更省事。

第四类是结构类，比如焊点虚焊、缺料、错装、反装，缺陷有固定的几种模式，属于典型的分类或目标检测问题。

说白了，缺陷有清晰几何定义就走传统路线，形态发散就走深度学习。这不是非此即彼，很多项目最后是两条腿走路：传统算法负责尺寸测量和定位，深度学习负责外观判定。

1.3 库的选型逻辑：别只盯着精度

选库的时候，精度只是其中一个维度。我一般会同时看五件事：授权成本、上手门槛、部署环境、和产线设备的对接能力、以及团队后续能不能接得住。

商业库（比如 Halcon、VisionPro、MIL 这类）算子成熟、文档厚、抗造，做传统视觉测量开发效率非常高，但授权费用不低，而且很多是绑定加密狗或者绑定设备的，具体价格得按项目去询。开源方案（OpenCV 是主力）零授权成本、社区活跃、跨平台，但很多高级算子要自己写或者拼，调试周期长。

还有一个经常被忽略的点：交接成本。如果你的项目做完要交给客户的设备部门维护，而对方只会用某一套工具，那你选一个他们完全陌生的库，后面每一次小改动都要找你，长期是个负担。这个账一定要提前算。

2. 传统视觉算法：靠算子打天下的那些路数

2.1 预处理：滤波不是越高级越好

新手容易犯的错是喜欢上"高级"滤波。双边滤波、非局部均值看着很厉害，但在工业实时场景里，它们的时间开销经常直接超预算。

我的一般顺序是这样：先看噪声类型，再做最轻的处理。椒盐噪声（传感器坏点、传输误码）用 3×3 中值滤波；高斯噪声用 3×3 或 5×5 高斯滤波；光照不均用背景相减或者顶帽变换（先做开运算得到背景，再用原图减背景），这招对付大面积明暗渐变特别有效；对比度不足用 CLAHE（限制对比度的自适应直方图均衡），注意它的 clipLimit 参数别调太大，否则会把噪声也放大成"缺陷"。

这里有个坑我必须提醒：检测点状缺陷（比如针孔、小凸点）时，尽量不要用大核中值或大核高斯。5×5 中值滤波足以把一个 2 像素的小黑点抹掉，你会发现自己怎么调都漏检，其实是预处理阶段就把信号毁了。这种场景我宁可改用小核滤波甚至只做背景相减。

2.2 边缘、轮廓与亚像素精度从哪来

边缘检测的经典三件套：Sobel、Scharr、Canny。Sobel 快但定位粗，Scharr 的核系数对旋转更友好，Canny 有双阈值和滞后连接，边缘连续性好，但参数敏感。

真正做测量，我不会直接用 Canny 的轮廓去算尺寸，因为它是像素级的，跳变会有 1 个像素的量化误差。工业上做尺寸测量，主流做法是卡尺工具（Caliper）：在一条预设的搜索线上取一条垂直方向的灰度剖面，做一维的亚像素边缘定位，常用的方法有灰度矩法、多项式插值法、以及基于高斯导数拟合的方法。Halcon 里的 measure_pos、VisionPro 里的 Caliper 都是这一类。沿边缘均匀布 N 条卡尺线，把 N 个亚像素点拟合成直线或圆，重复性就能压到 0.02 到 0.05 像素。

标定这件事也不能省。棋盘格或者圆点靶标拍十几张不同姿态的图，用张正友标定法解出内参（焦距、主点、径向畸变 k1/k2/k3、切向畸变 p1/p2），再把图像去畸变。镜头畸变在视野边缘经常能到几个像素，不做校正，边缘区域的测量直接失真。

2.3 阈值分割、Blob 分析与模板匹配

阈值分割看起来最简单，其实花样不少。全局 OTSU 适合双峰直方图且光照均匀的场景；光照不均就上局部自适应阈值（比如局部均值减一个常数，或者局部高斯加权）；如果是色差类缺陷，把图像转到 HSL 或者 Lab 空间，在色相、饱和度通道上做阈值，比在 RGB 上折腾有效得多。

分割完之后做连通域分析（也就是常说的 Blob 分析），把每个连通区域的特征提出来：面积、周长、圆度、长宽比、凸度、外接矩形的填充率、区域内灰度均值和方差。然后按这些特征做筛选和分类——面积超过多少算缺陷、圆度低于多少算异物、长宽比大于多少算划痕。这套组合拳在表面缺陷检测里至今仍然好用，尤其是缺陷形态相对固定的场合。

模板匹配分两派。基于灰度的归一化互相关（NCC）对光照变化有一定容忍度，但对旋转和缩放基本无能为力；基于形状的匹配（shape-based matching）用边缘梯度做特征，能支持旋转、缩放、部分遮挡，是目前工业定位的主流。用的时候注意两个参数：一是最小匹配分数，设太高会漏匹配，设太低会误匹配；二是搜索角度范围，角度范围每翻一倍，搜索时间大概也要翻倍，如果工件姿态基本固定，把角度范围收窄到 ±5° 能省下大量时间。

2.4 传统方法的边界在哪里

干了这些年，我总结传统算法崩掉基本就是三种情况。

一是光照变了就崩。阈值是跟当时的灰度分布挂钩的，换一批材料、换个班次环境光变了、灯管老化衰减了，阈值就得重调。这是传统方案在长期运行中最头疼的问题。

二是缺陷形态没定义清楚就崩。客户说"表面要干净"，但什么叫不干净？没有量化描述，就没法设计特征。这时候强行上传统算法，最后会变成无限次调参数。

三是背景纹理复杂就崩。比如拉丝金属、编织面料、皮革纹路，背景本身的梯度变化比缺陷还剧烈，阈值和轮廓方法会被淹没。

碰到这三种情况，我的建议是不要硬扛，直接考虑深度学习路线，或者在光学上想办法把背景压掉（比如用偏振片、暗场打光）。

3. 深度学习算法：分类、检测、分割、异常检测四条路

3.1 分类网络做粗筛，性价比很高

图像分类是深度学习里门槛最低、落地最快的一类。ResNet50 是万金油，MobileNetV3、ShuffleNetV2、EfficientNet-B0 这些轻量级 backbone 在工业上用得非常多，因为产线节拍不等人。

我经常把分类模型放在流水线的第一级：先快速判断这张图是 OK 还是 NG，只有被判为 NG 的才往后送去做精细分割或者复核。这样能把整体计算量压下来一大截。

训练上的几个实操点：类别极不平衡时（工业上正常品远多于缺陷品），用加权交叉熵或者 Focal Loss，权重按类别频次的倒数开根号来设，别直接用倒数，否则容易过拟合到少数类；小样本时用 ImageNet 预训练权重做迁移学习，前几个 stage 冻结，只训后面几层和分类头；数据增强要贴合实际，别用大幅度的透视变换，因为工业相机基本是固定视角，加了反而制造了不存在的分布。

3.2 目标检测：单阶段和两阶段怎么选

目标检测是工业缺陷检测里用得最广的，因为它同时给出缺陷的位置和类别。

单阶段代表是 YOLO 系列和 SSD、RetinaNet；两阶段代表是 Faster R-CNN、Cascade R-CNN。工业上大多数项目选单阶段，理由很朴素：节拍。两阶段的第一步会生成大量候选框，再做第二阶段精修，精度常常高一两个点，但推理时间可能是单阶段的两三倍。

评估指标上，别只看 mAP50，那是 IoU 阈值 0.5 下的平均精度，对定位精度要求不高的场景够用；如果缺陷位置本身要量出来给下游用，就得看 mAP50:95。另外工业上更关心的是固定过杀率下的漏检率，这个后面会展开讲。

小目标缺陷是难点。我的常用手法有三个：提高输入分辨率（比如从 640 提到 1024，但耗时成倍增长，要权衡）；用更浅层的特征图（P3 甚至 P2）承担小目标检测；重新聚类 anchor 尺寸，让 anchor 分布贴合你们的缺陷尺寸统计。这最后一条经常被忽略，但对小目标召回率影响很大。

3.3 分割：要像素级定位就得上

当缺陷的边界本身是验收指标时（比如要算划痕长度、面积、最大宽度），目标检测的矩形框就不够了，得上语义分割或者实例分割。

U-Net 及其变体是工业分割的常客，编码器-解码器加跳跃连接，小数据集上也能训得动。DeepLabv3+ 用空洞卷积扩大感受野，对大面积缺陷友好。SegFormer 这类基于 Transformer 的结构在纹理复杂的场景表现不错，但推理开销要实测。实例分割可选 Mask R-CNN 或者 YOLOv8-seg，前者精度好、速度慢，后者速度快、部署方便。

损失函数上，纯交叉熵在缺陷像素占比很小的时候会被背景主导，我一般用 Dice Loss 和 BCE Loss 加权组合，或者加 Focal 项。权重比例大概是 0.5 : 0.5 起步，再按验证集表现调。

3.4 异常检测：只有 OK 样本的时候怎么办

这是工业场景里非常现实的问题——产线刚起步，或者缺陷极其罕见，手上只有几百张正常样品图。这时候硬做有监督检测效果很差。

异常检测的思路是：只用正常样本训练，学出"正常长什么样"，推理时凡是偏离正常分布的就报警。主流方法有基于特征嵌入的 PaDiM、PatchCore，基于归一化流的 FastFlow，以及最近的 EfficientAD 等。

它们的共同套路是：用预训练 backbone（比如 WideResNet50）提取多尺度特征，建立一个正常样本的特征记忆库，推理时计算测试图像每个位置的特征到记忆库的最近邻距离，距离超过阈值就是异常，再上采样成像素级异常热力图。

这套方法冷启动快、标注成本低，但也有明显的软肋。阈值极其敏感，同一个模型在阈值 0.5 和 0.55 下，漏检和过杀可能差出一倍；对光照变化和换批次材料很敏感，因为"正常"的定义变了，记忆库就失效了，需要重新采集正常样本更新；难以区分缺陷类型，它只告诉你有异常，不告诉你是什么异常。

我的建议是把异常检测当成第一道筛子或者冷启动方案，等积累了足够缺陷样本，再逐步过渡到有监督的分割或检测模型。两者也可以并行，取并集再人工复核。

4. 常用库与工具链，怎么搭才顺手

4.1 传统视觉的几套主流方案

我的实际搭配通常是：原型验证用 Python + OpenCV + scikit-image 快速试，量产出方案用 C++ + 商业库或者 C++ + OpenCV。中间用同一套算法逻辑对齐，避免两套代码行为不一致。

4.2 深度学习框架与推理引擎

训练端基本是 PyTorch 的天下，TensorFlow 在部分老项目里还有存量。工业部署上，我一般走这么一条链路：PyTorch 训练 → 导出 ONNX（注意 opset 版本，12 或 13 兼容性好一些）→ 目标平台推理引擎。

推理引擎的选型看硬件：NVIDIA 平台用 TensorRT，OpenVINO 适合 Intel CPU 和核显，ONNX Runtime 跨平台通用性强，NCNN 在 ARM 上轻量，TFLite 在移动端和部分边缘设备上方便。量化方面，FP16 通常几乎不掉精度但速度提升明显；INT8 速度更快，但必须有足够有代表性的校准集，校准集没覆盖到的场景会掉点严重。我一般会准备三套模型做对比：FP32 基准、FP16、INT8，然后在真实验证集上评估，选满足节拍和精度要求的最轻那套。

4.3 3D 与点云相关的库

3D 检测这两年需求涨得快，尤其是高度、体积、平面度、装配干涉这类指标。

点云库的主力是 PCL 和 Open3D。PCL 算法全（滤波、配准、分割、特征），文档相对老；Open3D 的 Python 接口更友好，可视化方便，做原型很快。做工业 3D 检测，我经常用一个取巧的思路：把深度图转成高度图（height map），本质是一张 2.5D 灰度图，然后用成熟的 2D 算法去做——高度阈值分割、高度梯度找边缘、局部高度统计找凹凸，这条路比直接处理无序点云省太多力气。

真要处理点云，常见操作有：体素降采样、统计离群点滤波、RANSAC 平面拟合（把料盘或者基板平面去掉）、ICP 配准（和 CAD 模型对齐）、法向量估计。这些在 PCL 和 Open3D 里都有现成实现。

4.4 数据与训练辅助工具链

标注工具：LabelImg 适合矩形框，Labelme 适合多边形分割，CVAT 适合团队协作和视频标注，X-AnyLabeling 这类带模型辅助标注的工具能省不少时间——先让模型预标注，人工再修正，效率能翻倍。

数据增强：Albumentations 速度快、算子丰富，是首选；imgaug 老牌但慢一些。要注意增强算子要和实际分布一致，比如工业场景一般不允许水平翻转（如果缺陷有方向性），也不建议用大角度旋转。

实验管理：TensorBoard 看曲线够用，MLflow 或者 Weights & Biases 适合多人多实验对比。数据版本管理用 DVC，能把数据集和模型权重一起管起来，方便复现——这一点在项目交接和问题回溯时价值极高。

5. 一次表面缺陷检测的完整落地过程

5.1 需求拆解与硬件、算法指标换算

假设一个真实需求：检测金属表面的划痕，最小要求检出 0.1 mm 宽、3 mm 长的划痕，产线速度 30 m/min。

先算像素精度。取 FOV 80 mm × 80 mm，相机选 5000 × 5000 像素，像素精度 = 80 ÷ 5000 = 0.016 mm/px。0.1 mm 的划痕宽度在图像上占 0.1 ÷ 0.016 ≈ 6.25 个像素，远高于 3 像素的最低门槛，余量充足。如果选 2000 × 2000 像素，像素精度 0.04 mm/px，0.1 mm 只占 2.5 像素，太勉强，风险大。

再算镜头焦距。用公式：

f = 工作距离 × 靶面尺寸 ÷ 视野尺寸

假设工作距离留 300 mm，相机靶面 1.1 英寸（对角线约 17.6 mm，按短边约 12.3 mm 估），FOV 短边 80 mm，则 f = 300 × 12.3 ÷ 80 ≈ 46 mm。选一个 50 mm 的工业镜头，然后通过微调工作距离把视野压到目标值：WD = f × FOV ÷ 靶面 = 50 × 80 ÷ 12.3 ≈ 325 mm。这个反算过程比拍脑袋选镜头靠谱得多。

接着算节拍。产线 30 m/min = 500 mm/s。取步进量 64 mm（FOV 80 mm，留 20% 重叠避免漏拍接缝处缺陷），则每秒需要拍 500 ÷ 64 ≈ 7.8 帧。如果一台相机负责一个工位，单相机要 8 fps，这个要求很宽松。但如果视野只有 80 mm，整幅工件宽 300 mm，就需要 4 台相机横向拼接同步拍摄，一个工位同时出 4 张图，合计 32 张/秒的处理量，这时候算法耗时就必须压到 31 ms 以内，否则就得加并行。

5.2 打光方案怎么定

打光在缺陷检测里的权重，我个人给到 50% 以上。同一个划痕，换个光角度，可能从清晰可见变成彻底消失。

常见方案和适用场景：暗场低角度打光（光源接近与表面平行），适合划痕、凹坑、凸起这类有高度变化的缺陷，因为它们在斜射下会产生明显的明暗对比；明场同轴打光，适合镜面或者高反光表面，能打出均匀的正面照明；背光，适合轮廓测量和尺寸检测，缺陷以剪影形式呈现；条形光配多角度，适合柱面、曲面的分段照明；穹顶光（无影光），适合表面颜色和印刷字符检测，因为它消除了反光差异。

我的实操流程是这样的：先在实验台上用手持光源绕工件扫一圈，相机实时预览，看哪个角度、哪个方位能把目标缺陷照得最明显、同时把背景纹理压得最平。这一步花一两个小时，能省掉后面几周的算法调参。

还有两个小技巧。一是波长匹配：不同颜色的光在材料上的反射率不同，比如红色光对蓝色油墨的对比度更高，蓝色光对红铜表面反射更强，配一套红蓝白三色可切换光源，很多时候能直接把信噪比提一个档次。二是偏振片：在光源前和镜头前各加一片偏振片并调节相对角度，能有效压掉金属表面的镜面反射，让表面下的真实缺陷浮现出来。

5.3 数据准备与增强策略

数据量上，我的经验是每个缺陷类别至少 300 到 500 张，覆盖不同光照、不同批次、不同工件姿态。正常样本数量要多一些，1000 张以上比较稳。

标注规范必须提前定好，划痕的标注框要不要包含轻微扩散的边缘、两个相邻缺陷要不要合并成一个、模糊到看不清的算不算缺陷，这些都要写成文档让所有标注人员对齐。标注不一致比数据量不足更致命，模型学到一半是噪声，怎么调都上不去。

增强策略上，我常用的组合是：随机亮度、对比度、伽马扰动（模拟光照波动，这个最有效）、高斯噪声、轻微旋转（±5°）、随机裁剪。要避开的是会破坏缺陷特征的算子——细划痕做大幅度缩放或者强模糊后直接消失，等于给模型灌了错误标签。

数据划分上，一定要按批次或者按工单划分，不能随机划分。同一批材料上的图片纹理高度相似，随机划分会导致训练集和验证集数据泄漏，验证指标虚高，上线就崩。这是新手最常掉进去的坑。

5.4 训练、调参与评估

以 YOLO 类检测模型为例，我的一组常用起点配置：输入 640 × 640（或按缺陷尺寸提到 1024），batch size 16，初始学习率 0.01 配 SGD 或者 0.001 配 AdamW，warmup 3 个 epoch，余弦退火到初始值的 1%，训练 300 epoch，权重衰减 5e-4。

评估的时候重点看两条：一是 PR 曲线，二是固定过杀率下的漏检率。工业客户通常能接受一定的过杀（误报），但漏检必须是零容忍或者极低。所以我会找出在过杀率 1% 时漏检率对应的那个置信度阈值，把它作为上线阈值。如果这个点的漏检率还是偏高，说明模型能力不够，回去补数据或者换更大输入尺寸，而不是靠调阈值硬压。

5.5 部署与加速

部署这部分我踩过的坑最多。一条实践过的优化路径：模型导出 ONNX（opset 12），用 TensorRT 构建 FP16 引擎，batch 设为 4，单帧推理耗时从 FP32 的 45 ms 降到约 12 ms，基本满足 30 ms 的节拍要求。

再往上有三个方向。一是流水线并行，把采集、预处理、推理、后处理拆到不同线程或者不同 CUDA stream，让 GPU 不空转。二是零拷贝，图像从采集卡到 GPU 显存尽量不经过主机内存来回搬。三是模型层面，用结构化剪枝、知识蒸馏，或者干脆把大模型裁成只在我们关心的 ROI 上推理——很多场景整张图只有一小块区域需要检测，裁 ROI 能省掉八成算力。

注意：INT8 量化一定要用生产现场采集的校准集，不要图省事用训练集。训练集经过增强，分布和真实推理输入不一致，校准出来的缩放系数会偏，掉点很隐蔽，往往实验室看不出问题，上线才发现。

6. 常见问题与排查技巧实录

6.1 训练集精度 99%，一上线就崩

这是最高频的问题，原因基本逃不出下面几条，按这个顺序查效率最高。

第一条，数据泄漏。随机划分数据集导致训练集和验证集包含同一批工件、同一次拍摄的图像，验证指标虚高。解决方式是按批次划分，并且在划分前用图像哈希去重。

第二条，成像条件不一致。训练时用的相机曝光、增益、伽马、白平衡，和上线设备的设置不同；或者镜头上有灰尘、保护镜有划痕；或者现场环境光和实验室不同。排查办法是把上线时采集的图存下来，和训练集的图做直方图对比，一眼就能看出差异。这是我最推荐的第一排查动作，比看模型曲线有用得多。

第三条，工件姿态和位置差异。训练时工件都是手工摆正的，上线后是机械手上料，角度有 ±5° 的偏差。解决方式是在训练数据里加入姿态扰动增强，或者加一级定位对齐预处理。

6.2 漏检与过杀的拉扯

这是永恒的矛盾，不可能同时压到零。我的处理思路是分级判定加多级复核。

第一级用高召回阈值，宁可过杀高一点，把可疑的都挑出来；第二级用更精细的模型或者传统算法对可疑区域做复核，把真正的过杀剔掉；第三级留人工复检工位处理剩下模棱两可的少数样本。这样总体过杀率能压下来，同时漏检保持极低。

另外几个技巧：对检测框做形态学后处理，把重叠的框合并、把面积过小的框过滤掉（通常是噪声）；用连续多帧确认机制，同一个位置在连续 N 帧或者 N 个工件上都报警才判定为真缺陷，能有效压掉偶发噪声；用多模型投票，两个不同结构的模型同时报警才算，召回稳、过杀低，代价是算力翻倍。

6.3 节拍跟不上怎么办

按优先级排，我一般这么干。

先降输入分辨率，从 1024 降到 640 通常能省一半以上时间，但要验证小缺陷是否还检得出。再裁 ROI，把无关区域切掉，这是收益最大的手段之一。然后换轻量模型，大模型换小模型，配合知识蒸馏弥补精度损失。再上推理加速引擎和 FP16。最后才是加硬件或者加并行进程。

需要提醒的是，不要一上来就砍模型。很多时候瓶颈在预处理和后处理的 CPU 代码上——比如图像解码、色彩空间转换、NMS 后处理，这些如果用 Python 循环写，比推理本身还慢。先做一轮 profiling，看清楚时间花在哪，再决定优化什么。

6.4 常见问题速查表

7. 踩坑之后的一点私人经验

做了这些年，我越来越觉得，工业缺陷检测里最贵的从来不是算法，而是把不确定的东西变成确定的东西这个过程的成本。算法选型错了可以换，但数据标注错了、成像方案定死了、现场光照没法改了，那才是真的麻烦。

我自己的习惯是：项目启动阶段花七成时间在成像和打光上，把信噪比做上去，后面算法环节会顺得不可思议。反过来，靠算法去救烂图，永远是投入产出比最差的一条路。

还有几个小习惯我一直保留着。参数一律配置化，写进 yaml 或者数据库，别硬编码在代码里，现场调阈值的时候能省掉重新编译和发版的时间。每次上线都把原始图、模型输出、最终判定、以及当时的参数全量落盘存一段时间，出问题的时候能回溯，这个日志的价值在半年后才会真正体现出来。模型版本和数据版本用工具管起来，别靠文件名区分，model_final_v2_真的最终版.pth这种命名早晚会出事。

最后一句实在话：能把一个缺陷检测项目做成功的团队，通常不是算法最先进的团队，而是把光学、机械、算法、现场调试这几块咬合得最紧的团队。算法和库只是其中一环，别把它当成全部。