如果你最近几年接触过工业视觉 AI，大概率会看到一种现象：

很多项目一开始都会说：

“我们要用 YOLO 做检测。”

于是流程往往是这样：

1. 拍图
2. 标注缺陷
3. 训练 YOLO
4. 部署到产线

看起来非常合理。

但现实情况往往是：

• 模型精度不稳定
• 误检很多
• 现场环境变化就失效
• 最终还是回到传统视觉算法

于是很多人开始怀疑：

YOLO 在工业视觉里是不是不好用？

其实并不是。

真正的问题往往是：

很多人一开始就用错了 YOLO。

在工业检测里，YOLO 很少是 唯一算法。

更常见的做法其实是：

AI 粗检
传统视觉精检

也就是说：

YOLO 负责“找问题”，传统算法负责“判断问题”。

这篇文章就结合一些真实项目经验，聊一聊：
YOLO 在工业检测里到底该怎么用。

一、YOLO 最擅长做什么？

先说结论：

YOLO 最擅长的是：

目标定位（Object Detection）

也就是回答一个问题：

哪里可能有问题？

例如：

划痕
污点
缺料
毛刺
异物

YOLO 可以在整张图里找到这些区域。

例如：

整图：2592 × 1944

YOLO 输出：

缺陷1  (x1,y1,x2,y2)
缺陷2  (x1,y1,x2,y2)
缺陷3  (x1,y1,x2,y2)

这样就把 检测范围缩小了。

所以在工业视觉里：

YOLO 更像是一个 区域搜索器（Region Finder）。

二、YOLO 不擅长做什么？

很多人会犯一个错误：

用 YOLO 直接做最终判断。

例如：

是否合格？

但工业检测往往有很多 精细规则：
例如：

划痕长度 > 0.5 mm

或者：

孔径必须 2.00 ± 0.05 mm

这些任务 YOLO 并不擅长。

原因很简单：

YOLO 的输出是：

Bounding Box

而不是：

精确测量

所以如果你试图让 YOLO 直接判断：

尺寸是否合格

结果往往是：

误检很多

三、工业视觉里更常见的方案

在很多真实项目中，更稳定的架构其实是：

YOLO 负责粗检
Halcon / OpenCV 负责精检

流程一般是这样：

相机采图
    ↓
YOLO 检测缺陷区域
    ↓
截取 ROI
    ↓
Halcon 精细检测

例如：

YOLO：找到可能的污点
Halcon：判断污点面积

或者：

YOLO：找到连接器 Pin
Halcon：测量 Pin 间距

这样每种算法都发挥自己的优势。

四、一个真实的工业视觉架构

在 C# 工业视觉系统里，一个典型结构可能是：

Camera
   ↓
Image Preprocess
   ↓
YOLO (ONNX Runtime)
   ↓
ROI Extract
   ↓
Halcon Algorithm
   ↓
Result Output

简单理解就是：

AI 找区域
传统算法做判断

这种方式通常比：

纯 AI

更加稳定。

五、为什么工业视觉不完全依赖 AI？

很多刚接触工业视觉的人会问：

为什么不用 AI 直接判断？

原因其实有三个。
原因一：数据很难覆盖所有情况

• 工业环境变化很多：
• 光照变化
• 材料差异
• 相机角度变化

如果训练数据不够全面，AI 很容易失效。

而传统视觉算法往往更加稳定。

原因二：很多检测是规则问题

例如：

孔径大小
位置偏移
角度偏差

这些本质是：

几何测量

传统算法往往更准确。

原因三：客户更容易接受可解释算法

很多工厂更喜欢这样的逻辑：

检测到缺陷
缺陷面积 > 阈值
判定 NG

这种规则：
容易解释。
而 AI 结果有时候很难解释。

六、YOLO 在工业检测里的正确角色

如果用一句话总结：

YOLO 是工业视觉里的 “问题发现者”。

而不是：

“最终裁判”。

一个比较合理的分工是：

YOLO
负责发现可能问题
Halcon / OpenCV
负责精细检测

这样系统既有：

• AI 的灵活性
• 传统算法的稳定性

七、一个非常常见的工业视觉 AI 架构

在实际项目中，一个完整系统可能是这样的：

相机采图
    ↓
图像预处理
    ↓
YOLO 检测
    ↓
缺陷 ROI 提取
    ↓
Halcon 精检
    ↓
结果输出

如果再加上系统工程部分：

相机
采集线程
推理线程
算法线程
PLC通讯
日志系统
UI显示

整个系统其实是一个 完整的软件工程系统。

而不仅仅是一个 AI 模型。

最后
很多人刚接触工业视觉 AI 时，会觉得：

“只要模型够好，一切问题都会解决。”

但当项目真正进入产线之后，才会发现：

工业视觉的难点往往不是：

模型

而是：

系统架构
稳定性
工程实现

AI 只是其中的一部分。
在很多真实项目中：

AI + 传统视觉算法
才是工业视觉最常见的组合。

我正在整理一套《工业视觉AI实战工具包》，包括源码、案例、学习路线。
如果你想第一时间获取资料包，请关注公众号–视觉小码农