有CV背景的人第一次走进传统工厂的质检车间，常常注意到的同一个场景——六个质检员坐在流水线两侧，用肉眼逐个检查每分钟几百个零件的外观。角落里可能还搁着一台几年前采购的传统机器视觉设备，电源线已经拔了。
从技术上看，原因比较直白：传统机器视觉的规则引擎架构在产线场景的泛化能力上遇到了瓶颈。
一、传统CV流水线的三个工程短板
传统机器视觉的标准流水线是：图像采集 → 预处理（二值化、滤波、边缘增强）→ 特征提取（SIFT、HOG、Canny边缘检测）→ 规则匹配（模板比对或阈值判断）→ 输出OK/NG。这套流水线在单一品种大批量、缺陷形态固定的场景下运行稳定，检出率可以做到95%以上。但它在现代制造业柔性生产场景下暴露了几个工程层面的局限。
第一个，规则穷举的上限。工程师手动定义的缺陷规则只能覆盖事先预判到的缺陷形态。如果遇到一个从未进入规则库的新缺陷——比如磁材表面因工艺参数漂移产生的不规则渐变氧化斑——规则引擎会把它归为"正常"，因为灰度值、形状和纹理不完全命中任何一条已有规则。
第二个，光照敏感性的连锁反应。传统CV系统通常使用固定光源方案——比如环形LED正上方打光。被检物体的材质、表面粗糙度或颜色在批次间有波动的话，同样的光源和同样的算法参数会产出差异较大的成像结果，误判率随之跳动。
第三个，模板匹配对柔性件的定位偏差。传统CV的定位依赖模板匹配——默认被检物体每次放置的位置和姿态跟模板一致。橡胶密封件、注塑件、小型弹簧等柔性件每次放置的微小位移和旋转，足以导致模板匹配失效。
二、CNN的泛化路径有什么不同
卷积神经网络对这个问题的处理方式不同——不再靠人工逐一写缺陷规则，而是通过监督学习从大量标注样本中自动提取缺陷的多层次特征。
一个典型的工业缺陷检测CNN流水线包括：数据采集层（覆盖所有已知缺陷类型和正常样本的高分辨率工业相机图像）→ 数据增强层（旋转、翻转、缩放、亮度扰动、噪声注入——目标是让模型学到缺陷的形态本质，而不是死记训练样本的具体位置和角度）→ 特征提取层（基于ResNet或EfficientNet等骨干网络，底层卷积核提取边缘和纹理、中层提取部件和区域、高层提取整体形态和缺陷语义）→ 分类/分割层（输出每个像素的缺陷概率图，或整图的缺陷类别和坐标）。
其中值得注意的一点是：CNN提取的特征不是人工设定的灰度阈值或形状模板，而是从数据中自行归纳的缺陷本质——一条微裂纹旋转30度后对CNN来说仍是同一条裂纹，而基于模板匹配的传统CV在这个角度已经识别不出了。
杭州迅效自动化的AI视觉检测系统针对磁材、注塑件、密封件和精密五金等不同材质分别搭建了专项CNN模型——不同材质的光学特性和缺陷形态差异，决定了从骨干网络结构到数据增强策略都需要做独立适配。一家磁材龙头企业的AI分选产线验证了这一架构在产线环境下的有效性：多种缺陷类型全覆盖、检出率稳定在99.7%以上。
三、数据闭环——AI检测的持续优势从哪来
AI视觉检测系统相比传统CV的一个结构性长板不是初始检出率——而是持续学习的能力。每一条被AI标记为"缺陷"的图像都会生成一个带置信度的数据点。这些数据持续回流训练集，模型以周或月为周期迭代更新——检出率不是一条平直的水平线，而是一条缓慢向上收敛的曲线。迅效自动化的系统内置了数据闭环功能——在线检测数据自动入库标注、离线模型定期再训练、更新后的模型通过灰度发布推送到产线端点，整条链路无需人工干预。
四、产线集成的工程化门槛
算法再好的检测系统，如果换一次线需要半天、部署要求改动整条产线的PLC通信协议、训练一个新品类需要积累数百张样本——到了真实工厂环境都会被卡在落地这一步。工程化程度决定了AI视觉检测从实验环境到产线能否走完最后一段。
技术决策者选方案，选的不是单一算法——选的是一个从光源定制、模型训练、换线逻辑到数据闭环和长期售后全部打通的完整产品方案。能把这五块做成标准交付流程的服务商，才算走完了从传统CV到AI视觉检测的技术栈升级。停在算法那一层，只是完成了技术验证；走到了产线那一层，才到了真正产生价值的地方。
