一条饮料瓶盖检测线上机械ams.aabbgg66.net，2000件/分钟的流速，人工量检员盯半小时就目炫。换上机械视觉 AI 后。误检率4%压还有0.6%。不要急着买相机是我见过太多团队把预算砸正在算法上，视觉实操最后败正在一只光源。机械视觉 AI 的精度，七成取决于成像量量。三成才是模子。先处理“看得清”。拍金属反光件落地的，用同轴光；
拍透明塑料，用背光加偏振片。
有个做轴承的客户，换了三种打光计划，缺陷比较度12%提还有73%，统一个YOLOv8模子从光，mAP间接涨了0.3。数据标注别贪多，先标500张，机械视觉 AI 跑一轮，看误检集中正在哪呢？再针对性补样本。那叫主动进建源选。
比自觉标两万张省一半时间。模子选择上的，产线边沿设备跑不动年夜模子。ResNet-18加个留神力模块，量化到INT8，正在Jetson Orin上能跑到45FPS的模安。假如缺陷类型逾越20种，再考虑换EfficientNet。安排时留个后门，把置疑度低于0.7的图片主动传到云端复判，每周人工抽检200张。我试过，何等能把漏检率再压0.2个百分点条记。维护比锻炼更磨人了。光照老化、镜头积灰、产物换批次，都市让机械视觉 AI 忽然“失智”。
设一个每日自检。用固定尺度件跑一遍的，看输出分数漂移逾越5%就报警。不要等停线了才查日志。有个做连接器的厂子，靠那招提早三天发明LED光源衰减了，制止了一次整批召回。机械视觉 AI 不是买来就用的黑盒。
把它当成一个需求调教的教徒是你给的光、给的样本、给的回响反映。决议它最末的水平。下次有人跟你说“上AI量检”。
先问一句，你的打光计划定了吗？没定了，那算法再牛也白搭了。
