一、质检落地，先看缺陷能不能拍清楚
很多项目一上来就说要上视觉检测，实际第一步该做的是：把缺陷拍出来。
划痕在反光面上拍不到，凹陷在正面光下拍不平，细小异物在低分辨率下只剩几个像素。拍不到就检不出，模型再好也没用。
视觉质检落地，第一步不是选模型，是判断缺陷能不能拍清楚。
我见过一个项目，缺陷是零点二毫米的划痕，用普通工业相机拍出来几乎没有对比度。模型再强也救不回来。
先做一件事：把所有缺陷类型列出来，逐个问「这个在图上是什么样子」。答不上来的，先补成像方案。
二、成像方案比模型重要
三件事决定成像质量：
一、光源角度。低角度侧光最能拉出划痕，同轴光适合平整表面。
二、分辨率与视野的换算。要看最小缺陷尺寸，算每毫米需要多少像素。
三、触发与定位。产线在动，取样时机错了，拍到的就是模糊图。
这三件定完，再谈算法。
成像方案比模型重要。光源角度差十五度，同一个缺陷可能从清晰变成看不见。
三种常用打光：明场看表面、暗场看划痕、同轴看平面反光件。
我的经验是先做打光实验，拍一批样本给质检员看，他们认可的图才值得训练。
三、样本的分布决定上限
正常品几百张、缺陷品十几张，这种数据训出来的模型只会说"全部合格"。
收集阶段就要按缺陷类型分层，每类至少几十张，且要覆盖不同光照、不同角度、不同批次。
成像方案比模型重要，这句话不是夸张。光源角度差十五度，同一个缺陷可能从清晰变成看不见。
常用的三种打光：明场看表面、暗场看划痕、同轴看平面反光件。三种各有各的适用面。
我的经验是先做打光实验，拍一批样本给质检员看，让他们挑「这张能判」。他们认可的图，才值得拿去训练。
四、模型在这类场景里的位置
分两段：检测和判定。
检测负责框出可疑区域，用轻量模型就够；判定负责分类和打分，可以复杂一些。
两段分开的好处是：误检多的时候只调第二段，不用整条重训。
样本分布决定上限。缺陷样本少，模型就只能学会「猜」。
补样本的办法有两种：真实采集和合成。前者贵但真，后者便宜但偏。
我的做法是先真实采集，再用合成补长尾，比例控制在三成以内。
五、上线后的三个指标
一、漏检率。这是底线，别用准确率糊弄。
二、误检率。直接决定产线愿不愿意用。
三、复核工作量。每班需要人工看多少张。
上线后看三个指标：漏检率、误检率、复判率。
漏检是致命的，一批货流出去就是事故；误检是成本，多了产线会抵触；复判率反映模型的不确定程度。
三个指标里，我优先压漏检。宁可多误检，不可漏一件。这个取舍要提前和产线谈清楚。
六、和产线系统怎么接
接口要简单：给一张图，返回是否合格、缺陷类型、置信度、位置。
判定为可疑的直接推给复核工位，不要自动放行。这条规矩能挡住大部分事故。
和产线系统对接，最容易被忽略的是「判完之后干什么」。
报警、剔除、标记待复判，三条路径要提前定。只报警不剔除，现场会当噪音忽略。
还有一个细节：模型输出的置信度要保留。产线可以根据置信度分级处理，高置信直接判，低置信送人工。这比一刀切好用得多。
上线后看三个指标：漏检率、误检率、复判率。
漏检是致命的，一批货流出去就是事故。误检是成本，多了产线会抵触。
三个里我优先压漏检。宁可多误检，不可漏一件，这个取舍要提前和产线谈清楚。
补一句现实：产线不会为算法停。所以质检系统的部署方式，必须是「旁路」。
旁路意味着它不影响生产，只做提示。这一条决定了项目能不能落地。
再补一句：样机阶段一定要让产线的人参与。他们知道哪里最容易出问题。
这个信息比数据珍贵，而且免费。
延伸参考
流程和接口的细节，BackendWiki 上有成体系的条目。
留一句：视觉质检的胜负手在打光，不在模型大小。