企业官网建设流程全解析

家用乳胶手套这行，很多人觉得无非是把手套从模具上拔下来、翻个面、装进盒里，技术含量不高。但真正做过产线的人都知道，质检环节才是让人头疼的硬骨头。十年前我在车间里盯过人工目检线，一组四人坐在灯光台前，一天翻看上万只手套，眼睛充血是常态，漏检率还压不下去。后来我们用了光电传感器、工业相机、单工位视觉系统，一步步迭代，最终做成了一套四工位的AI视觉检测方案，借助某工业AI视觉平台完成了整线落地。从纯人工到半自动再到AI，这条路走了整整十年，中间踩过的坑、试过的错、总结出的经验，我觉得值得拆开来讲一讲。

这篇文章想聊的就是这套“家用乳胶手套四工位视觉检测系统”的全貌：为什么要做四个工位、每个工位是怎么分工的、AI模型怎么训练和部署、现场碰到的老大难问题怎么解决。无论你是做视觉检测的工程师，还是管产线的工艺人员，或者正准备给自家产线上AI质检，这篇文章应该能给你一些可以直接抄作业的参考。

1. 项目概述：从目检台到四工位AI检

1.1 为什么乳胶手套质检如此难做

先说说产品本身。家用乳胶手套和医用手套虽然都是乳胶制品，但外观和缺陷标准完全不一样——家用手套更厚，表面有纹理、有粉料，有的还带颜色带香味，而且客户对“外观”极其敏感。说白了，消费者买手套不只是用来防护，还要看着舒服、摸着没有瑕疵。所以质检要覆盖的不只是影响功能的针孔，还有影响卖相的外观缺陷。

乳胶手套的缺陷种类五花八门，常见的就够列一张长表：针孔、薄点、厚边、缺指、粘连、指尖气泡、异物颗粒、洗脱印、褶皱、表面粉末不均、色斑、发黄……其中针孔和薄点属于功能缺陷，直接影响阻隔性能，是底线问题；其余的多数是外观缺陷，但占比高，视觉上很难处理。更麻烦的是，乳胶手套是半透明的柔性物体，光照稍微不对，表面粉末的反光会把缺陷淹没，或者缺陷被放大成大面积的亮斑，让人分不清是脏污还是针孔。

十年前我们纯靠人工目检时，一条线四个目检工位，每个人每班次大概要过几千只手套，平均每只手检时间不到两秒。人不是机器，疲劳、情绪、经验差异都会让漏检率波动。我们统计过，高峰期漏检率能做到千分之几，但低谷期会高到一个让人冷汗直流的量级。而且人工目检还有个隐形问题：标准不统一。同一个缺陷，A大姐觉得要挑出来，B大姐觉得可以过，质检主管每天都在当裁判，公关成本很高。

1.2 这十年我们踩过的坑：从光电传感器到深度学习

最早尝试替代人工的方式，是在手套翻面之后加一个光电传感器，检测手套有没有“缺指”这种大块缺陷。这个方案便宜、有效，但只能判断一个大轮廓，针孔、异物、褶皱统统无能为力。后来我们上了工业相机，用单工位拍图，通过灰度阈值和形态学处理来找缺陷。刚上线的时候觉得“机器视觉也不过如此”，但真跑起来才发现，乳胶手套透明、反光、表面还有粉料，一张图里灰度分布复杂得很，固定阈值根本扛不住换批次的波动。今天这批手套粉料多点，系统就把好品误判成坏品；明天光线角度偏一点，针孔就看不出来了。

中途我们也试过用激光检测针孔，利用激光透过手套后被另一侧接收的强度变化来判断，但成本高、维护麻烦，而且对微弱针孔不敏感。真正让方案变成型的，是深度学习视觉技术的成熟。我们基于某工业AI视觉软件平台重新设计了整套检测方案，从传统的“规则+阈值”转向“数据+模型”，缺陷识别能力上了一个量级。平台集成了图像采集、标注、训练、推理、统计的一整套工具链，让产线工程师不写代码也能完成模型迭代，这点很关键——因为请算法工程师驻场贵，而产线的缺陷样本每天都在变。

1.3 四工位架构的由来

为什么最后是“四工位”？说实话，最早我们规划的是两工位，一个拍表面，一个拍背面，想着翻个面就够了。后来在试产中不断发现新的检测死角：表面光看不透内部薄点、背光能看针孔但看不清表面颜色、平放拍轮廓能测尺寸但测不了内壁缺陷。每个成像原理都有它的盲区，一套光源和相机组合根本不可能覆盖全部缺陷。

于是我们把检测任务拆成了四个独立的检查站，每个工位只做一件事，做深做透：

• 工位一：彩色面阵相机加同轴光，检测表面色斑、异物、洗脱印和粉料不均；
• 工位二：背光源透射，检测轮廓尺寸、缺指、粘连和明显破洞；
• 工位三：低角度透射光加偏振，检测针孔、薄点和气泡这类半透明内部缺陷；
• 工位四：AI复检与分级，前三个工位的“可疑品”汇聚到这里，由深度模型做最终裁决，顺便给手套分质量等级。

这样设计的好处很明显：每个工位的光学系统可以针对性地调到最苛刻的状态，不用迁就其他检测项；同时算力可以分摊——前三个工位用规则加轻量模型做初筛，只有可疑品才进AI复检，大大降低了主线的计算压力。这四工位不是拍脑袋定的，而是一轮轮试错后收敛出来的架构，后面我详细拆一下每个工位的设计逻辑。

2. 核心方案拆解：四工位如何分工

2.1 工位总览与产线节拍计算

先算一笔节拍账。我们的产线目标节拍是每分钟40包，每包两只手套，折合每分钟通过80只手套，单只手套的检测周期必须控制在1.5秒以内。因为手套是逐个通过各自的检测工位，四个工位并行处理，实际给到每个工位的时间预算约1.5秒，其中拍照和图像传输占掉一半，留给算法推理的时间非常紧。

正是这个节拍要求，逼着我们做了“初筛+复检”的分层架构。工位一到三用传统图像处理和轻量级分类器，保证单只手套的处理时间控制在200毫秒以内；工位四跑的深度学习模型稍微重一些，但那里通过的样本量只有总量的20%左右（前三个工位筛下来的可疑品），所以整体算力压力是完全可控的。

现场布局上，四工位跟翻面机和输送线联动：手套从模具上拔下来后先经过滚筒展平，由夹爪送到工位一；工位一拍完正面表面，手套翻转送到工位二，平铺在玻璃台上用背光拍照；工位三在输送线侧下方布置透射光，趁手套被吸附住的时候拍；最后所有“可疑品”统一回流到工位四的缓存转盘上，由AI裁决。每个工位的结果都打上追溯码，和PLC联动，不合格品到剔除工位自动吹出。整套动作配合下来，实测稳定节拍能达到每分钟82只，基本贴着产线上限跑。

2.2 工位一：彩色表面缺陷检测

工位一解决的是“卖相”问题。家用手套表面带着玉米淀粉或滑石粉，粉料分布不均会呈现白色块状区域；色斑、洗脱印、油污则是黄色手套上的暗色或不规则亮斑。这些缺陷在传统灰度图像里很容易被混淆——粉料和色斑在灰度上都是“偏亮偏暗的区域”，只有利用颜色信息才能区分。

光学设计上，我们选用了彩色面阵相机，搭配同轴光照明，这样可以让光路和相机光轴重合，消除乳胶表面高光带来的伪影。快门时间控制在200微秒左右，因为手套产线有轻微抖动，快门太长会让图像边缘发虚。镜头选35mm定焦，工作距离300mm，视场覆盖一只展平的手套大约320mm乘160mm的区域；光圈收到F8，保证景深覆盖手套在吸附状态下的微小起伏。

检测逻辑是先用颜色阈值把“非正常黄色区域”抠出来，再用形态学过滤小的噪点，剩下的候选区域交给一个轻量卷积分类器，判断到底是粉料不均、色斑还是异物。这个分类器问题不大，真正麻烦的是同色缺陷——比如浅黄色乳胶原液轻微氧化，形成淡淡的黄斑，颜色和正常区域几乎一样，相机怎么拍都接近。后来我们加了偏振光方案，利用氧化点与正常乳胶在表面反射率上的细微差异，才勉强把这类缺陷的检出率提上去，但还是做不到百分之百，这一点后面讲AI复检时再细聊。

2.3 工位二：背光轮廓与尺寸测量

工位二负责“形状”问题：缺指、破洞、粘连、尺寸超差。这里用的是背光照明——手套放在玻璃台上，下方打高亮LED面光源，相机从上方拍，手套本身是半透明的，会在图像里呈现深色轮廓，缺陷部位要么轮廓缺一块，要么灰度明显透亮。

轮廓检测算法其实很传统：二值化、找边缘、提取轮廓、和标准模板比对。但在实际落地时有几个容易翻车的小细节。一个是“翻面后的手套永远不可能完全展平”，边缘会有轻微卷曲，导致测量出来的尺寸系统性地偏大；另一个是“背光亮度衰减”，LED用几个月后会老化，同一只手它的灰度值会缓慢变化，如果阈值写死，漏检率会在不知不觉中慢慢爬升。

我们的解决办法是“动态基准”。每100只手套计算一次灰度直方图的特征值，动态调整二值化阈值，并记录环境光补偿系数；轮廓匹配时不用固定的像素尺寸，而是以“当前批次的标准样板”做相对比较。这个思路挺土，但实测很有效，把因光源老化、批次波动引起的误判降了一大半。尺寸测量方面，手套的指尖间距、手掌宽度等关键尺寸的公差设定在正负5毫米，像素精度按0.15mm/pixel计算，系统实际能分辨到0.3毫米的变化，留足了余量。

2.4 工位三：透射光缺陷检测

工位三是最难设计的一个工位，因为它要抓的是“透明的缺陷”——针孔、薄点、气泡。这类缺陷在表面光下几乎隐形，只有在透射光下才能显出原形：光穿过手套时，针孔和薄点区域的光通量和周围不一样，在图像上呈现为微弱的亮斑或暗点。

我们用了低角度透射光加偏振片的组合。低角度是为了让光线以较大入射角穿过乳胶，增加光线与缺陷区的相互作用时间；偏振片用来滤掉乳胶本身的散射光，提升信噪比。像素精度做到了0.1mm/pixel，因为最小的针孔直径可能不到0.3毫米，需要在图像上至少占3个像素才能稳定检出。

难点在于“粉料”的干扰。手套表面的滑石粉颗粒在透射光下也会形成大量细小亮点，形态和针孔极为相似。我们训练了一个专门的分割模型来处理这个工位的图像，输入是透射光的ROI区域，输出是缺陷的像素级掩膜。刚开始模型效果不理想，频繁把粉料颗粒误判成针孔，后来把标注策略改了：将“粉料聚集区”作为一类单独标注，让模型学会区分“粉末亮点”和“缺陷亮点”，误检率一下就降下来了。这个经验，我觉得所有做透明薄膜类缺陷检测的同学都能用上。

2.5 工位四：AI复检与分级裁决

四个工位里，工位四承担了“终审法官”的角色。前三工位只要判定为“疑似缺陷”，手套就会通过缓存线送到工位四的转盘上。复检工位配置了一套更高分辨率的相机系统，配合多角度光源，在手套旋转的过程中连续拍四张不同角度的图像，然后由深度学习模型综合判断。

为什么需要工位四？因为前三个工位的初筛标准都调得比较“灵敏”，目的是“宁杀错，不放过”，所以可疑品里至少有三分之一其实是好品。如果把这些好品也当废品处理掉，产线良率根本不达标。工位四的AI模型就是要把“疑似”细分回“好品”或“坏品”，并且把坏品继续分成“功能性缺陷”和“外观性缺陷”——功能缺陷必须报废，外观缺陷可以降级卖到工业清洁用途，或者返工处理。

这个分级功能对产线经济性非常重要，不能只看“过与不过”。我们在某工业AI视觉平台上训练了一个多标签分类模型，输出维度是缺陷类别加严重程度评分。平台的标注工具支持缺陷框选、类别勾选和严重程度打分，一个熟练质检工人一天能标八百张图，这给模型提供了源源不断的素材。模型主干用的是轻量化网络结构，在工位四的工控机上跑得很流畅，单张图的推理时间大约120毫秒，满足复检节拍。

3. AI模型训练与数据工程实操

3.1 缺陷标注与样本库建设

很多人以为AI质检的核心是算法，我做了几年以后反而觉得，算法是门槛最低的部分，真正决定系统上限的是数据工程。某种意义上说，这是一门“样本的生意”。

样本库建设要解决两个问题：一个是“数量”，一个是“平衡”。缺陷样本天生是稀有事件，产线跑一天，好的远远多于坏的，坏的里面又是褶皱多、针孔少。如果不做任何干预，训练集会被“易得缺陷”主导，模型对针孔这种少见但致命的缺陷几乎学不到东西。我们的做法是“定向采集”：安排工艺人员在产线末端主动制造缺陷样本——通过调节脱模温度做出薄点、在生产线上间歇性投放异物、用带针孔的旧模具产出针孔手套。这些“人造缺陷”虽然和自然缺陷有细微差异，但用来做预训练和特征学习完全够用。再结合自然产线中随机采集的真实缺陷，两类样本混合标注，模型泛化能力明显比只用自然缺陷好。

标注规范也很关键。我们制定了四工位各自的标注指南：工位一标注的类别有粉料不均、色斑、异物、洗脱印；工位三标注的类别有针孔、薄点、气泡、粉料聚集。每个缺陷目标至少用矩形框包住真实区域，框不能太大也不能太小，原则是“宁可框得紧，不要框得松”，背景对模型的干扰越小，检出精度越高。严重程度分为轻微、中等、严重三档，只给严重度大于“中等”的缺陷打报废标签。这直接决定了分级模型输出的是“报废”还是“降级”。

初期样本库建了大约12000张原始图像，涵盖十一个缺陷类别，经过数据增强后训练集扩大约十倍。这里有一个容易被忽略的细节：增强样本必须和原始样本分在同一批次生产记录下，不能跨批次混合，否则模型会把“批次风格”当特征来学，影响上线初期的稳定性。

3.2 数据增强与模型选型

数据增强方面，常用的翻转、旋转、裁剪自不必说，重点讲两个在我们场景里特别有用的增强手段。第一个是“光照抖动”，我们随机调整图像的亮度和对比度，模拟产线早晚光子、LED老化的灰度漂移。这个增强直接提升了模型在不同班次下的稳定性。第二个是“柔性变形”，因为手套是软性物体，每次到达工位时的姿态都有细微差别，我们用了小角度的仿射变换和局部弯曲模拟，让模型学会无视这些几何差异。

模型选型上，我们比较过两种路线：一种是“候选区域加分类”的两段式，先由传统算法找出可能的缺陷区域，再逐块送进分类网络判定；另一种是“端到端分割”的单段式，直接输出缺陷的像素级掩膜。刚开始选了前者，因为觉得工业场景越稳越好，但实际跑下来发现两个问题：候选区域一旦漏了，后面分类再准也没用；而且传统算法找候选区域时对透明缺陷特别弱，第一级的漏检直接葬送了第二级的准确率。后来改用端到端分割模型，漏检率有了一个台阶式的下降。硬要说缺点，就是训练时显存占用大、对标注质量要求高，但这些都是能接受的成本。

训练后的模型经过量化压缩（FP16），部署在工位四的工控机上。模型文件大小约60MB，相对轻量，加载速度快，也方便通过U盘或局域网进行版本更新。

3.3 良率闭环：模型迭代的节奏

模型上线不是终点，而是持续迭代的开始。我们在产线建立了“良率闭环”机制：每天统计误检率和漏检率，并把当天错判的图像自动存到指定文件夹；现场技术人员每周进行一次错判回顾，把其中高质量的新增样本补充进训练集，重新训练出一版模型。

这个迭代节奏要控制好，太频繁模型不稳定，太慢则跟不上批次变化。我们稳定在“两周一个版本”。每次发布新模型前，会在一个固定历史数据集上做回归测试，确保新版本不会顾此失彼——修好了A类缺陷的漏检，别又把B类缺陷的误检拉高了。这个回归测试集是我们“压箱底”的宝贝，积累了好几万张带标注的图像，任何模型升级都必须先过它这一关。

4. 产线集成与部署实战

4.1 相机、光源与安装调试

部署环节的坑，往往比算法还多。先说光源选型。工位一选了同轴光，工位二选了红色背光，工位三选了白色低角度透射光加偏振片，工位四选了多角度环形光加同轴光组合。这里有个细节：同样是背光，红色光和白色光的效果差异很大。红色光打在黄色乳胶手套上，成像对比度比白光更高，因为乳胶对红光的吸收率和对其他波段不一样，轮廓边缘会更锐利。这一点是我们在现场反复对比之后试出来的，后来成了对供应商的光源选型要求。

安装调试时最让人头疼的是“反光”。乳胶手套表面有粉料，光照稍微不均匀，就会在相机图像里出现大片白色反光区域，把底下的缺陷遮得严严实实。解决反光的基本功是“让光源角度错开镜面反射角”，但手套表面是曲面的，角度不断在变，单一方向光照永远有死角。我们最终采用了“多点柔光”方案——用大尺寸的高显色LED面板，加一层散射板，让光从多个角度同时照向手套，减少单一方向的镜面反射，同时配合偏振片把剩余的定向反射滤掉。调光这事没有捷径，就是拿着照度计和测试样件，一个角度一个角度去试，记录每种角度下各缺陷的可辨识程度，最后取综合最优解。

4.2 与PLC/剔除机构的信号对接

检测系统不是一台孤立的电脑，它必须和产线PLC、执行机构一起工作。信号通信我们用的是工业以太网加硬接线干接点双通道：PLC通过硬接线发送“手套到达”的触发信号，保证时序的确定性；检测结果则通过Modbus TCP写入PLC的寄存器，由PLC控制剔除电磁阀。

这里踩过一个大坑：最初我们完全依赖网络信号触发相机，结果现场电磁阀一吸合，网络就有轻微延迟抖动，偶发漏拍。后来改成硬接线干接点，每次拍照都稳了。这里面有个原则——凡是和物理动作强相关的信号，尽量走硬接线；凡是和逻辑判断相关的数据，才走网络。这个“物理信号走硬线，逻辑数据走网络”的原则，后来成了我们所有产线视觉项目的铁律。

结果汇总和数据追溯也是刚需。每个手套都有一个序列号（读码器读取），检测系统把四个工位的结果绑定到这个序列号上，写入MySQL数据库，同时生成JSON格式的过程数据文件，方便后续质量分析和追溯。如果某批货出了客户投诉，我们可以直接查出这批手套在生产时的所有检测图像和判定记录，定位到具体工位、具体时间段、具体模具编号。

4.3 现场部署的避坑清单

部署时踩过的坑整理成清单，供大家参考：

• 相机固定支架必须有减振设计，产线的振动会让图像轻微模糊，尤其是快门速度不够快的场合一定要加防振垫；
• 镜头要配保护镜片，乳胶粉末在车间里到处飘，镜片上一天不擦就蒙蒙一层，成像质量肉眼可见地下降；
• 光源控制器的亮度设置要写进参数管理表，不能靠现场人员“凭感觉调”；亮度变了，算法结果会变，这是隐蔽性最强的坑；
• 工控机不要放在振动大的架上，SSD在强振动环境下掉盘率远超想象，数据采集中断一次，整批数据作废；
• 环境中湿度要控制，乳胶手套车间一般比较潮湿，电路板针脚氧化会导致相机图像出现条纹噪点，需要定期做绝缘和防潮处理。

5. 常见问题与排查实录

5.1 误检率居高不下怎么办

项目上线初期，工位一的误检率一度高到40%，也就是每10只好手套里有4只被判成可疑品，整线良率直接掉到了没法看的状态。排查过程很有意思：我们抓取误判图像对比后发现，绝大多数误检来自“粉末白块”和“色斑”的混淆——粉料稍有不均，图像里出现的白块区域和真正的色斑在彩色通道上的分布非常接近。

解决办法分了两步。第一步是光源层面，把同轴光的角度微调，让粉料反光的特征和色斑有所区分。第二步是数据层面，在训练集里专门增加了不同浓度、不同面积的粉料不均样本，并且把“粉料不均”这个标签从“缺陷”调整为“轻微外观”，降低它的负面权重。两个方向同时改，误检率从40%降到了8%左右，后续再通过增加数据慢慢压到5%以内。这个案例告诉我们，遇到误检率问题，不要一股脑只调算法，光线和样本两端的调整往往更有效。

5.2 透明物体成像发虚

工位三刚上线的时候，拍出来的图像始终“发虚”——针孔边缘不锐利，和背景对比模糊。最初怀疑是相机对焦问题，反复调镜头也没用。后来排查光源发现，问题出在光源的波长上。我们用的LED白光光谱很宽，乳胶对不同波长的折射率有差异，导致图像存在轻微的色散和模糊。

解决办法是把白光换成单色光，用绿光或蓝光的窄带LED光源，配对应的带通滤光片放在镜头前，只让单色光进入相机。光谱窄了，色散消失了，图像锐度立刻高了一个档次。这是透明材料检测里一个非常通用的一招：想拍清楚透明物体，就用窄带单色光，效果立竿见影。

5.3 设备震动导致图像抖动

我们在现场遇到过一阵莫名其妙的偶发漏检，图像总是有一半模糊。排查了很久，最后发现是旁边一台空压机启动时，地面传来的低频振动让相机支架发生了微米级的位移，快门时间又偏长，导致图像出现拖影。

因为现场没办法给相机支架做独立地基，我们的方案是“缩短快门+增加打光亮度”。快门从800微秒缩到250微秒，同时把光源功率提高，保证曝光量不降。图像拖影问题随之解决。如果你也遇到偶发模糊，先从“机械振动”和“快门速度”两个方向查，比反复调算法看参数靠谱得多。

5.4 模型迭代后旧缺陷复发

有一次我们升级模型，新版本在历史数据集上的回归测试全过，本以为没问题，结果上线第二天就发现一个严重问题：原本已经能稳定检出的某种旧缺陷，漏检率突然回升。后来一查，原因是我们在数据增强里加了一种新的增强方式，改变了整个数据分布，模型学飞的边界变了，旧缺陷的特征不再被重视。

教训很深刻：任何模型迭代，都不能只看“准确率高了没有”，必须同时盯着“所有历史缺陷类别的单类召回率有没有下降”。我们在模型更新流程里加了一条强制规则——每个缺陷类别单独计算召回率，只要任一类别低于历史最优的95%，这个版本就不允许上线。这个规则很简单，但防住了好几次重大故障。

6. 十年经验总结与扩展思路

6.1 几条贯穿十年的原则

回看这十年，几个原则从头到尾都在起作用，写出来大家共勉：

第一，光学优先于算法。很多视觉方案的困境不是算法不行，而是图像质量不够。把光源、镜头、相机这三个物理层的参数打磨到位，算法的工作量至少减一半。我们四工位里的任何一工位，光源调试投入的时间都不少于算法开发时间。

第二，先算节拍再选架构。检测系统的架构设计永远从节拍倒推：产线一分钟过多少只、留给检测的时间窗口多长、算力够不够用，这些算清楚再谈用什么方案。我们的初筛加重检分层架构，本质上就是被节拍逼出来的。

第三，样本是一等公民。AI质检的护城河不在模型，在样本库。持续积累、持续标注、持续回归测试，是一个永远不会结束的工程。现在我们的历史样本库超过6万张，这个数字还在每天增加，它才是这套系统真正的核心竞争力。

第四，现场要有人懂整套系统。不是每个问题都能远程解决，现场技术员要学会看日志、懂光源调试、会跑模型验证。我们给每一套上线的检测系统都配了一套“现场排查手册”，图文并茂地写下所有常见问题的排查步骤，减少了对厂商驻场工程师的依赖。

6.2 后续可扩展的方向

四工位方案目前跑得很稳，但扩展空间还是很大的。首先是“在线学习”方向，目前模型两周更新一次，后续可以探索不需要频繁人工干预的增量学习。不过工业场景下，我倾向于保守，稳定压倒一切，在线学习的风险需要充分验证才敢用。

第二个方向是“更细的分级”。目前系统分“报废”和“降级”两档，未来可以按表面瑕疵的严重程度做三到四档分级，把瑕疵轻、不影响使用的手套放到电商渠道、中等瑕疵放到工业清洁渠道，进一步挖掘残次品的剩余价值。这个经济账算下来非常可观。

第三个方向是“模具寿命预测”。既然我们已经能精确检测出针孔的位置和数量，把这些数据对应到模具编号上，就可以统计出每套模具的缺陷演化曲线，提前预警模具老化，把问题消灭在产生缺陷之前。这套思路目前还在做数据积累阶段，但方向我是看好的。

最后再分享一个小技巧：透明软性材料的视觉检测，不要一上来就指望一个工位解决所有问题。物理世界的光学限制决定了单一的成像方案总有盲区，与其在一个工位上堆光源堆算法，不如踏实地把几个工位分工做好，让每个工位都专注在一类特征上。这十年我们最核心的体会就一句话——视觉检测的下限由光学决定，上限由数据决定，而中间的工程能力决定你能不能把它们接起来。把这层关系理顺了，再多看似复杂的问题，都只是时间问题罢了。