在产线上跑一套AI视觉检测系统，不止是把模型训好了往上一放——它背后连着从光学到算法到部署和长期维护的一整条工程链。下面从几个工程阶段把每个阶段的参数和验收方向铺开来看。

光源方案——缺陷在进算法之前得先被照出来

光源管的是缺陷能不能在物理层面上被看见。不同材质和不同缺陷需要的光路搭配差别不小。黑色橡胶密封件的表面微裂纹走低角度平行光——光线几乎贴着表面从侧面擦过去，裂纹两边拉出明暗落差。透明注塑件的内部气泡走背光——气泡在透明介质里形成折射率突变，背光穿过的时候落下暗斑。金属拉丝面的微划痕走定向强光加上漫反射抑制——拉丝纹理本身是一组规律线，定向强光能把划痕跟正常纹理扒开。

杭州迅效自动化的光源方案是按材质和缺陷类型来定——高速工业相机搭上多角度组合光源，正面环形光和侧面平行光和背光三路同时跑。不同的缺陷各自对着各自比较搭的光源角度和波长和偏振。一家汽车密封件头部集团换上这套定制光源之后，密封圈的低对比度缺陷在成像阶段就拿到了足够信噪比的图，模型这边的判断基础也就跟着稳了。

模型选型——骨干网络和数据增强跟着缺陷的特征走

工业缺陷检测的模型不能直接从ImageNet排行上往过搬。微裂纹的特征尺度可能就几个像素——要浅层的高分辨率特征图把空间细节留住，太深的网络反而会把小缺陷一路池化没了。大面积渐变氧化斑的特征尺度大但对比度很低——要靠更深的感受野去抓上下文的反差。

数据增强也不该用通用那套——产线上特定噪声从哪来就得对着哪去打。振动带出来的亚像素位移要加强平移增强，批次间材料色差要加亮度扰动，传送带速度波动要加运动模糊模拟。AI模型按缺陷的尺度和形态和对比度这三个方向分别挑适配的骨干网络和数据增强方案——同一条产线上的裂纹和飞边和气泡，跑的可能不是同一套网络。

模型部署——推理速度和边缘硬件的匹配

产线实时检测对推理延迟卡得比较紧——传送带速度乘上相机帧率，每张图最长推理时间基本是算死的。超过就跑不动，精度再高也落不了地。边缘这边选GPU工控机还是FPGA还是专用AI加速卡，得看模型算多大的计算量和产线物理空间能塞进去多大的东西。模型量化把权重精度往下压一压，推理能提速不少，检出率也不至于明显往下掉。

换线逻辑和数据闭环

频繁切品类的产线对模型重训速度有明确要求。新产品的缺陷样本标注完之后模型在若干小时内跑完再训练并推到产线端点上。数据闭环是AI检测跟传统视觉相比一个比较长远的差异——每张被AI标成异常又经人工复核确认的缺陷图，自动回到训练池里，模型按周或按月更新。检出率从刚部署时的那个起点，随着数据越积越多和模型一轮轮训练，慢慢往上收敛。

验收的时候可以盯几个点：光源方案是不是按被检件的材质和缺陷类型专门调过的，模型架构是不是对着缺陷的尺度和形态分开选的，每张图的推理延迟能不能跟上产线速度，换一款产品重训要多久，数据闭环有没有跑通、模型长期收敛趋势有没有数据支撑。这几样都走通了，这套AI检测系统就不只是一次性导入——是从成像到模型到运维持续转起来的一条完整产线检测系统。迅效自动化为汽车密封件搭的那套方案，已经在上面说的这些维度上跑了相当一段时间，跑稳了。