搞工业视觉检测的开发者，通常第一关注点会落在模型上——用ResNet还是EfficientNet、网络层数多少、数据增强怎么配。但影响一条产线检测系统检出率上限的变量，很多时候不在模型本身，而在更前置的光源配置。下面从光学和算法两个维度分头来看。

光源在前：不同缺陷需要不同的光路才能被看清

缺陷在物理层面能不能被"照亮"，由光源的照射角度、波长和偏振状态决定。算法的能力上限受限于输入图像的信噪比——光源不对，缺陷和背景之间的灰度差拉不开，模型再强也拿不到有效输入。

橡胶密封件表面微裂纹——低角度平行光是一个常用方向。光线以近似平行的角度从侧面擦过表面，裂纹两侧形成明暗反差。换成正面环形光，这道裂纹在图像上基本消失了，因为裂纹面的反射角度跟周围正常表面几乎一致。

金属拉丝面微划痕——定向强光配合漫反射抑制是更对症的组合。拉丝纹理是一组规律性的线状结构，正面光打上去会把划痕和拉丝纹理混成一片。定向强光从特定角度入射，正常的拉丝纹理将光线反射到固定方向，划痕被打乱的光路会在图像上显出异常。

透明注塑件内部气泡——背光是处理这一类的有效方案。气泡在透明介质内形成折射率突变界面，背光穿过时气泡位置会产生暗斑。正面反射光对内部气泡没有帮助——反射成像拍到的只是透明件表面的镜像，气泡完全在视野之外。

食品包装封口缺陷——红外透射可以发挥作用。封口位置的微小针孔在可见光下跟完好区域的灰度差非常微弱，红外光的穿透特性和不同材质透过率的差异有助于拉大异常信号。

镜面抛光金属氧化斑——特定波长光源是区分氧化区和正常区域的一个方向。氧化斑和正常金属表面对不同波段可见光的反射率有差异，白光下灰度值相差不大，用窄带特定波长光源可以人为加大这个差异。

杭州迅效自动化给一家日资汽车零部件集团的密封件产线配置了全定制的光源方案——高速工业相机配合多角度组合光源阵列，正面环形光和侧面平行光加背光三路协同。不同缺陷类型各对应一组光源角度和波长参数。光源方案一旦确定，模型能跑到的检出上限也就基本被锁定了——光源照不出来的缺陷，靠算法去抠是抠不出来的。

算法在后：CNN模型选型从缺陷特征出发，而不是从模型排行出发

工业缺陷检测的模型选型，出发点不应该是"哪个模型在ImageNet上Top-1排前"，而应该是"缺陷的特征尺度多大、样本数量多少、正负样本比例几比几"。微裂纹的特征尺度可能只有几个像素，需要浅层高分辨率特征图来保留空间细节——更深的网络在这种情况下反而会在池化过程中把微小缺陷平滑掉。大面积渐变氧化斑的特征尺度大但对比度低，需要更深的感受野来提取上下文反差信息。

AI视觉检测系统的做法是按缺陷的尺度、形态和对比度三个维度来匹配骨干网络，不同材质和缺陷类型可能对应不同的模型架构。数据增强策略也聚焦产线特有的噪声来源——振动导致的亚像素位移加平移增强、批次间材料色差加亮度扰动、产线速度波动加运动模糊模拟。这些增强不是为了刷指标，是让模型学会适应特定产线的特定噪声。

数据闭环：AI视觉检测系统在持续运行中逐步收敛

同一套光源和同一套模型部署到产线之后，第一个月的检出率和第六个月的检出率之间存在的差值，来源就是数据闭环的效率。每一张被AI标记为异常、又被人工复核确认为真实缺陷的图像，会自动汇入训练集，模型按月迭代更新。数据闭环机制让检出率从投产初期的基线水平随生产批次累积而逐步走高——用户拿到的不是一套参数固化的视觉检测设备，而是一个随着使用时间增长检测效果持续收敛的系统。

工程判断顺序

工业AI视觉检测的架构设计有一个比较容易把握的顺序：光源方案定检出上限→模型架构匹配缺陷特征尺度→数据闭环保证长期收敛。顺序反过来——先敲定模型再往上配光源——等于在光学环节存在短板时用算法去弥补，这套系统的起点天然就少了一截。迅效自动化的做法是先做光学评估和实物打样锁定光源参数，再基于真实成像数据选模型架构，最后用数据闭环维持长期优化。工程师在评估AI视觉检测方案时，拿这个顺序去对照产线自己的需求——顺序走对了系统能持续收敛，顺序走反了头几天跑出来的效果就是这条产线能拿到的最高分了。