做机器视觉这些年，我接过的所有检测类项目里，刀具外观检测绝对是最考验心态的一种。刀尖上一丁点崩口、刃口一道细微划伤、涂层剥落一小块，这些缺陷在产线上真实存在，但只要光学方案没选对、形态学算子组合没用好，缺陷很容易被当成普通反光或油污放过去，或者反过来把正常刀面误报成NG。这也是为什么我一直说，这类项目优先选的工具组合，基本就是 Halcon 加形态学处理。
Halcon 在这类场景里的价值在于：它把图像处理中最成熟的阈值分割、滤波、区域形态学、连通域分析这些能力全部集成在 HDevelop 里，调试迭代速度快，处理逻辑对现场工程师完全透明。这篇文章就基于我在刀具外观检测项目里的真实调试记录，把从成像方案、形态学算子组合、缺陷判据、防误报到现场踩坑的完整链路拆开讲一遍。不管你是刚接触 Halcon，还是已经用了一段时间想优化检测稳定性，应该都能从这里拿到能直接上机的东西。
1. 为什么"刀具检测"项目绕不开 Halcon 和形态学这条路
1.1 刀具表面缺陷检测到底难在哪
很多人以为刀具检测就是"看一眼有没有缺口"，真正上手后才发现全是细节。车刀片、铣刀、钻头这些工件，表面要么是高反光的镜面涂层，要么是磨削纹路明显的工作面，缺陷尺寸又小，常常只有零点几毫米。更麻烦的是，刀具本身的轮廓就包含大量圆弧、斜面和刃口线，正常状态下的灰度变化就已经很剧烈，缺陷信息经常混在这些正常结构里。
另外一个隐蔽的难点是批次差异。同一型号刀具，不同批次涂层厚度、底色、磨削纹理都有细微差别，这给固定阈值方案带来很大压力。我在第一个项目里用过一段时间的灰度差检测，效果时好时坏，后来改成区域形态学加特征判据，稳定性才明显上来。原因很简单：形态学处理的是区域的形状和结构，对灰度绝对值变化没有那么敏感。
Halcon 在形态学算子的丰富度上也确实领先。开运算、闭运算、膨胀腐蚀、击中击不中、骨架提取、凸性分析，几乎每一种传统形态学操作都有现成算子，还能直接在 HDevelop 里拖动查看效果。调试的时候一边调参一边看图，比自己在底层写一套图像库高效太多。
1.2 为什么要强调"形态学"而不是单纯用模板匹配或深度学习
先说结论：模板匹配和深度学习也都有用，但它们在刀具检测里的定位都是"配角"，形态学才是主菜。模板匹配擅长找位置、转角度，但它对灰度变化敏感，当刀具表面反光角度变了、涂层批次颜色深了，匹配分数会突然掉下来。深度学习擅长学习复杂缺陷模式，但它需要大量标注样本，而且它输出的是"概率"，不容易解释到底是哪块区域出了问题。
形态学方案的逻辑链条特别直接：先通过阈值和区域操作把刀具本体从背景里抠出来，再通过开闭运算去毛刺、补空洞，然后基于连通域的形状特征做筛选，最后在局部区域里用膨胀、腐蚀、顶帽底帽这类操作放大缺陷。每一步产生什么效果，人眼都能看得清清楚楚，出了问题也方便定位是哪一步造成的。
所以我在项目里常用的组合是：Halcon 负责图像处理和几何计算，形态学负责区域级特征提取，模板匹配只用来做位置校正。后面所有检测判据都是在这个基础上搭建的。
2. 成像方案设计与节拍评估：检测站的第一道分水岭
2.1 一套标准刀具外观检测工位的组成
很多第一次做视觉项目的人容易犯一个错误：先选算法，后定光源。实际上成像方案对整个项目成败的影响比算法大得多，我见过太多算法只能调到勉强可用、换一种打光方式后效果直接翻倍的案例。
一套完整的刀具检测工位，硬件组成并不复杂：工业相机、镜头、光源、控制器、光电传感器和工控机。相机一般选用 500 万像素以上的面阵相机，因为刀具上的细小划伤需要足够的分辨率。镜头通常用定焦工业镜头，如果现场安装距离比较紧张，远心镜头是更好的选择，它可以消除视角带来的尺寸偏差。
光源这块是重中之重。我推荐把光源放在工位设计的第一步，先确定缺陷在什么样的光路下最明显，再反推相机和算法的设计。以刀尖崩口为例，背光模式下崩口会出现明显的透光区域，这对阈值分割非常有利；而如果是检测刀刃上的细微划伤，则需要用条形光或同轴光让划痕产生灰度差异。
另一个需要提前算清楚的是节拍。每个工件从进站到出站的时间决定了一切参数。比如产线节拍要求 3 秒一个工件，那留给图像处理的时间通常不能超过 500 毫秒到 800 毫秒，剩下的要留给上下料和机构动作。如果算法设计得太复杂，最后一定会在现场被节拍逼着做减法，倒不如在设计初期就把处理区域缩小到 ROI 范围内。
2.2 打光方式实测对比与选型建议
我直接给一张自己在项目中实际对比过的表，按检测需求选光源能省很多试错时间。
| 光源方式 | 适用场景 | 优点 | 缺点 | 我的建议 |
|---|---|---|---|---|
| 背光 | 刀尖崩口、刃口缺口、轮廓尺寸 | 图像对比度极高，阈值稳定 | 无法看清表面纹理 | 检测轮廓类缺陷首选 |
| 同轴光 | 涂层表面划伤、凹坑 | 对平整表面反光均匀 | 刀具带弧度时容易过曝 | 适合平面刀片类 |
| 环形光 | 整体外观、刃口崩口 | 安装简单，亮度均匀 | 对深孔和侧壁效果差 | 作为通用初选 |
| 条形光 | 刀刃线划伤、磨削纹理 | 方向性强，可突出纹路 | 方向选择需要反复试 | 配合旋转平台更好 |
我在一个车刀片项目中做过对比：同轴光下，正常刀片表面呈均匀亮色，划伤处因为破坏镜面反射，会形成明显的暗条纹；而背光下，刀片整个变成黑色剪影，表面缺陷全部丢失。两种光源对应完全不同的算法路线，最后我们为了保证既能测轮廓又能查表面，做了一个双光源切换机构，一次拍照取两个图像。虽然硬件成本增加了，但检测可靠性提升得很明显。
这一章最后提醒一句：光源亮度不是越亮越好。太亮会导致高反光面饱和，原本的灰度差被压缩掉，缺陷反而看不清。现场要用灰度直方图确认目标区域没有大面积饱和，再定最终亮度。
3. 形态学算子工具箱：从灰度图到干净区域的完整链路
3.1 阈值分割与预处理：把刀具从背景里"抠"出来
形态学处理的第一步永远是把灰度图变成二值区域。Halcon 里最简单的算子是 threshold，直接指定灰度的上下限就能得到区域。但实际生产中，环境光漂移、工件表面状态变化都会让固定阈值失效。所以我在预处理环节通常分两步走：先用快速阈值做个粗分割，再用形态学操作把目标区域修干净。
* 快速阈值分割，MinSize 表示最小连通区域面积 fast_threshold (Image, RegionFast, 0, 120, 15) * 开运算去掉背景散点和目标边缘毛刺 opening_circle (RegionFast, RegionOpen, 3.5) * 连通域分析 connection (RegionOpen, ConnectedRegions) * 根据面积筛掉小杂块，只保留刀具主体区域 select_shape (ConnectedRegions, ToolRegion, 'area', 'and', 15000, 9999999)这段代码看起来简单，但每个参数都值得推敲。opening_circle 的半径 3.5 是我经常用的一组起始值，它表示先腐蚀再膨胀，能把目标边缘凸出来的细小毛刺去掉，同时不会改变区域整体的面积量级。如果半径选太大，刀具边缘会被削掉一圈，后面测量尺寸必然偏小。
select_shape 这一步是整个预处理的收尾，它的作用是把图像里所有零散噪点剔除。Halcon 的 select_shape 支持按面积、长度、宽度、圆度等几十个特征筛选，我一般先用面积筛一遍，再用圆度或矩形度做二次筛。比如杂点通常呈细长条形，圆度很低，一筛一个准。
3.2 区域形态学之开闭运算、连通域处理与选择
二值区域形态学在 Halcon 里最常用的一族算子就是膨胀、腐蚀、开运算、闭运算。膨胀让区域向外扩张一圈，可以用来填补目标内部的小孔洞；腐蚀让区域向内收缩一圈，用来切断细小的连接，让原本粘连的区域分开；开运算是先腐蚀后膨胀，适合去掉毛刺；闭运算是先膨胀后腐蚀，适合填平凹坑和孔洞。
我记得第一次给刀具刃口做检测时，背景里总有些反光碎点连接到了刀体上，导致 select_shape 无法正确识别目标边界。后来发现是刀具刃口的高光部分灰度值跟背景接近，阈值分割时刃口区域跟背景噪声连成了一片。这时候闭运算就派上用场了，先把刃口区域的小缝隙填上，再开运算去掉背景碎点。
Halcon 里对应的写法非常直观：
* 闭运算填补内部孔洞 closing_circle (RegionBinary, RegionClosed, 5) * 开运算切断与背景噪声的连接 opening_circle (RegionClosed, RegionClean, 2) * 孔洞填充，保证后续面积特征准确 fill_up (RegionClean, RegionFilled)这里多说一句，fill_up 算子经常被忽略，但它特别关键。如果刀具本身有安装孔或者表面有反光黑洞，不填充的话面积计算会偏小，凸性也会受影响。做形态学处理的时候，脑海中一定要有"先补洞、再修边、后筛选"的顺序。
3.3 高级形态学：凸性分析、骨架与击中击不中
基础形态学只能解决区域是否完整的问题，但刀具检测里很多缺陷是"形状变了"而不是"区域碎了"，这时候就要用上高级形态学特征。
凸性是我在刀尖崩口检测里最常用的判据之一。凸性的定义是区域面积和它的凸包面积之比。正常刀尖应该是一个接近理想几何形状的轮廓，凸性比较高；一旦刀尖崩掉一块，区域边缘内凹，凸性就会显著下降。Halcon 提供了一个现成算子，直接就能把凸性值取出来，非常方便。
骨架提取则适用于划伤和裂纹这类细长缺陷。骨架就是把区域不断腐蚀到只剩中心线的过程，缺陷区域的骨架长度比、分支数量都可以作为特征。用 skeleton 算子提取骨架后，再把骨架连成区域，用 select_shape 按长度筛选，划伤基本上就无所遁形。这个思路在处理刃口细微崩口时特别好用：崩口区域往往不是一个大凹陷，而是一条短而尖的缺口线，骨架化之后比直接看面积敏感得多。
击中击不中是更进阶的形态学方法，可以把它理解成"用结构元素在图像里找特定形状"。比如查某个方向上是否存在细长的崩痕，就让结构元素优先在该方向上匹配。不过在刀具检测里我用的频率不高，因为它的参数调试成本较高，现场环境稍微一变就容易误判。我会在离线实验里用它做缺陷特征验证，正式检测流程里主要还是用开闭运算加凸性、骨架这些更稳的组合。
4. 刀具常见缺陷的检测流程设计与 Halcon 代码示意
4.1 刀尖部位崩缺与轮廓半径异常检测
刀具检测里最核心的缺陷就是刀尖崩缺。刀尖一旦崩口，直接影响加工精度，轻则工件表面粗糙度超标，重则刀具直接报废。我做过的一种方案是：先定位刀尖区域，再对刀尖轮廓做圆拟合，通过拟合半径和凸性指标判断是否崩缺。
完整的流程可以拆成五步。第一步，用上一章的方法提取刀具主体区域；第二步，根据长宽比定位刀尖在图像中的位置；第三步，在刀尖区域裁剪出 ROI；第四步，提取亚像素轮廓；第五步，对轮廓做圆拟合，比较拟合残差和半径偏差。
* 裁剪刀尖区域 reduce_domain (Image, ToolRegion, ImageReduced) * 提取亚像素边缘轮廓 edges_sub_pix (ImageReduced, Edges, 'canny', 1.5, 20, 40) * 选择刀尖附近的主轮廓段 select_contours_xld (Edges, SelectedContour, 'length', 80, 500, 0, 0) * 对轮廓做圆拟合，输出圆心坐标和半径 fit_circle_contour_xld (SelectedContour, 'algebraic', -1, 0, 0, 3, 2, Row, Column, Radius, StartPhi, EndPhi, PointOrder)判断逻辑再叠加一个凸性指标。正常刀尖的轮廓接近圆弧，拟合圆残差非常小，凸性也接近 1；崩缺之后，轮廓出现凹凸突变，拟合残差变大，凸性明显下降。把这两个指标同时作为判据，误报率会低很多。我在现场测试中发现，单看拟合半径容易把"刀具整体刃磨偏移"也误报成崩缺，但把凸性加进去以后，整体刃磨偏移的凸性还是比较正常的，真正崩缺的凸性低不少，两个判据正交性很好。
4.2 刀刃崩口、划伤与涂层层缺的形态学判据
刀刃上的崩口和划伤是除了刀尖之外最常见的缺陷。这类缺陷的共同点是尺寸很小，但数量可能很多，单靠一次全局阈值很容易漏。
我用的方案是先提取刀刃的局部区域，然后对局部图像做灰度形态学的底帽运算。底帽运算的作用是把图像里比周围暗的小结构提取出来，刀刃崩口和划伤在合适光源下往往表现为暗色，正好适用。Halcon 里直接用 gray_bottom_hat 就能完成。
* 只处理刀刃附近的 ROI，减少计算量 reduce_domain (Image, BladeROI, ImageBlade) * 底帽运算，提取暗色细小缺陷 gray_bottom_hat (ImageBlade, ImageBottom, 15, 15) * 对增强后的图像做阈值分割 threshold (ImageBottom, RegionDefect, 25, 255) * 开运算去掉孤立噪点 opening_circle (RegionDefect, RegionDefectClean, 1.5) * 统计缺陷个数和总面积 count_obj (RegionDefectClean, NumDefect) area (RegionDefectClean, AreaDefect)这里最需要注意的是 gray_bottom_hat 的两个尺寸参数。它们决定结构元素的大小，如果太大会把正常刀刃纹理也提取出来，如果太小又只能看到噪点。我的经验是把结构元素尺寸设成略大于目标缺陷、但明显小于正常纹理周期的值，通常先用类似 15×15 的矩形结构元素做初试，再根据实测图像微调。
划伤的方向也会影响检测效果。如果划伤是横向的，我会把结构元素在横向上适当加长，这样对横向划伤更敏感。涂层层缺的情况类似，层缺区域在底帽图里表现为面积稍大的暗块，筛选时把面积下限提高一点即可。
4.3 刃长、刃宽与角度的实测计算
刀具检测不只是找缺陷，还有一部分内容属于尺寸测量。刃长、刃宽、主角度、副角度是否在公差范围内，同样是客户关心的指标。尺寸测量和缺陷检测有个本质区别：缺陷检测只需要做相对判断，尺寸测量却要建立像素和物理尺寸的映射关系。
测量流程通常是：提取刀具区域的亚像素轮廓，拟合出几条关键直线，再根据直线之间的关系计算长度和角度。Halcon 里的 fit_line_contour_xld 是拟合直线的标准算子，拟合出的直线端点坐标可以用来计算长度。
edges_sub_pix (Image, Edges, 'canny', 1.5, 20, 40) select_contours_xld (Edges, LineContours, 'length', 100, 2000, 0, 0) fit_line_contour_xld (LineContours, 'tukey', -1, 0, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd) * 计算两点之间的距离 distance_pp (RowBegin, ColBegin, RowEnd, ColEnd, LengthPixel)得到像素长度之后，乘以标定系数就是实际尺寸。测量角度则可以用 angle_ll 算子，它计算两条直线的夹角。这里有一个非常关键的注意点：所有测量步骤都应该在位置校正之后进行，否则刀具在视野里旋转偏移几度，测出来的刃长刃宽都会失真。我通常会用模板匹配先求出旋转角度，再用 vector_angle_to_rigid 生成仿射变换矩阵，把图像校正到标准位置后再测量。
5. 稳定性调试与防误报：产线上真正过不过得了关的细节
5.1 像素当量标定与位置校正
视角一提到像素当量，很多初学者觉得只要相机说明书上写了传感器尺寸和分辨率，就能算出每个像素对应多少毫米。实际上这个换算只有在两台相机装在同一高度、同一焦距时才近似有效，一旦工作距离变化或者镜头扭曲，偏差就会超出公差。
Halcon 提供了完整的标定助手流程：打印标定板、多角度拍摄、检测标定板角点、解算相机内参和外参。在刀具检测项目里，我通常把标定分成两步。第一步做相机内参标定，消除镜头畸变；第二步在固定的安装高度下，放置一个已知尺寸的标定工件，用"实际物理长度除以像素长度"的方式计算像素当量。第二种方式简单直接，稳定可靠。
位置校正则是保证测量和检测精度的前提。刀具在来料上料时不可能每次都摆得完全正，所以我用 Halcon 的形状模板匹配先定位刀具中心坐标和旋转角，再把整个检测区域仿射变换到标准模板位置。模板匹配这一步消耗的时间不多，但对后续所有检测步骤的稳定性贡献巨大，属于性价比极高的操作。
create_shape_model (ModelRegion, 'auto', -30, 60, 'auto', 'none', 'use_polarity', 30, 10, ModelID) find_shape_model (Image, ModelID, -30, 60, 0.7, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)匹配到了 Row、Column、Angle 三个量之后，就可以生成仿射变换矩阵，把检测用的 ROI 也一起旋转过去。这里建议对 ROI 做变换，而不是直接对整幅原图做变换，因为后者计算量大，而且会产生边缘插值噪声，对细小缺陷检测并不友好。
5.2 阈值参数的自适应与动态阈值
固定阈值在实验室里表现很好，到了产线上就会遇到麻烦。早班和晚班的环境光不一样，不同批次的刀具底色不一样，光源老化后照度也会变化。如果阈值是写死的，很快就会开始报警或者漏检。
我的做法是给检测系统加一个"参数自适应层"。做法很简单，在产线运行的前几百个检测周期里，系统记录下刀具主体区域的平均灰度、对比度和面积统计值，自动生成阈值上下限。运行过程中每隔一段时间再更新统计基底，但更新速度要非常慢，避免单张异常图把基底拉偏。
动态阈值也是一把利器。对于划伤、崩口这类局部灰度变化，用 dyn_threshold 算子配合均值滤波效果很好。它的原理是：先对原图做均值滤波得到背景图，然后逐像素比较原图和背景图的差值，差值超过设定值就判为缺陷。这样即使整体光照有变化，只要缺陷和周围背景的相对差异还在，就能稳定提取出来。
5.3 误报处理的三层策略
无论算法调得多好，现场总会碰上各种意想不到的误报。我总结了一套三层误报处理策略。
第一层是单特征阈值。比如崩口面积必须大于某个像素数才算缺陷，这样能滤掉大部分单像素噪点。
第二层是多特征联合。把面积、长度、凸性、位置等多个判据组合起来，缺陷必须同时满足多个条件才判 NG。在实际项目里，单一特征无论怎么调都会存在两类错误，而联合判据可以让误报率大幅下降。比如一个高光反光斑块面积很大，但是位置永远出现在刀具中间固定区域，而崩口永远出现在边缘区域，用位置特征就能把它挡掉。
第三层是二次确认。当系统判定 NG 时，把对应的 ROI 图像放大，再跑一套更严格的检测逻辑，只有二次确认也是 NG 才真正输出 NG。这层逻辑在节拍允许的情况下非常值得加，它能过滤掉不少由于抓拍瞬间不稳定造成的瞬时误报。
6. 现场踩坑实录：那些在实验室里发现不了的问题
6.1 高反光导致目标区域断裂的问题
第一个让我印象深刻的坑就是高反光导致目标区域断裂。第一批样机装到产线时，离线验证明明好好的，连续跑了几百个工件后，突然开始大量误报。我把报警图像调出来一看，刀具主体区域被高光反光分成了好几块，形态学处理后刀尖部分直接缺了一大块，凸性计算自然全乱了。
问题根源在于刀具表面是高反光涂层，在某个特定角度的环境光照射下，刀面某块区域灰度值特别高，阈值分割时这块区域被分到了"明亮区"，和刀具主体脱开了。解决方式不是简单地调阈值，而是从成像端入手。我把环形光换成了低角度的条形光，让反射光线尽量均匀地进入相机，同时在外围加了一圈遮光罩，挡住变化的环境光。硬件调整之后，同样的阈值代码不用改，分割效果就恢复了稳定。
这个坑给了一个很深的教训：形态学处理只能修复区域层面的小瑕疵，如果成像本身不稳定，区域结构被大面积破坏，再强的形态学算法也救不回来。
6.2 震动、对焦漂移与检测结果随机抖动
第二个坑是随机抖动。有一段时间系统偶尔会把同一只刀具判成 NG，但重新测一次又是 OK，没有任何规律。查了半天，最后定位到相机支架的固定螺丝松了半圈。产线设备运行时的持续震动让相机每次拍照时都有微小的位移和倾斜，刀具边缘在图像里忽左忽右，尺寸测量结果自然不稳定。
这类问题很难靠软件解决，只有硬件改到位。我把相机支架换成了更重的铸铁底座，加装了橡胶减震垫，并且把相机固定螺丝全部换成防松型。同时，因为刀具刃口本身有深度，对焦漂移也会造成边缘模糊，我调小了镜头光圈，让景深覆盖整个刃口区域，图像边缘质量明显改善。
随机抖动类的排错思路值得单独说一句：遇到偶发误报，千万不要急着调算法参数，先做一个简单的 A/B 实验，把被误报的工件手动重新放一次，如果结果变化了，说明问题大概率出在成像和机构端，而不是算法端。
6.3 节拍压力下的性能优化
第三个问题是节拍。最初设计的算法流程完整，检测效果很好，但是单件处理时间跑到了 2 秒以上，产线节拍要求 3 秒，这个数字勉强能接受，可一旦出现机构等待、通信延迟，就会卡节拍。我做了三处优化，把处理时间压到了 600 毫秒左右。
第一，全局处理改成 ROI 处理。我不再对整幅 500 万像素图像做耗时算子操作，而是先用 fast_threshold 粗定位刀具，然后只在刀具附近的 ROI 里做后续形态学处理。这个改动收益最大，处理面积缩小到原来的四分之一。第二，把所有标定状态和模板数据预先加载到内存，不在每个检测周期重复创建。第三，把高频使用的邻域滤波器尺寸固定成常量，避免运行时反复计算。
节拍优化的关键参考表如下：
| 优化项 | 优化前耗时 | 优化后耗时 | 说明 |
|---|---|---|---|
| 全域处理 | 900 ms | 350 ms | 缩小 ROI 后处理范围大幅降低 |
| 模板重复创建 | 300 ms | 20 ms | 模板常量常驻内存 |
| 圆形算子动态参数 | 250 ms | 150 ms | 参数固化后省去动态计算 |
优化之后，算法精度没有本质变化，但节拍余量充足了很多。这让我更确信一个原则：性能优化的核心是减少无效计算，而不是牺牲检测精度。
7. 写在后面：这个项目还能往哪些方向扩展
7.1 从单相机到多工位
单相机单工位只是起点。实际刀具外观检测往往有六个面要看，侧面刃口、底面刀体、前刀面、后刀面都不一样，一台相机很难覆盖。扩展方案是多个相机多工位协同，每个相机只负责一个面的特定检测项，由 PLC 负责节拍调度，工控机统一汇总结果。
多工位带来的最大问题是各相机之间的检测结果如何融合。我的处理方式是以刀具编码为唯一标识，每个工位检测完直接把特征数据和图像存入队列，最后按编码汇总。这样即使某个工位因为故障跳过，其他工位的数据依然可以独立判级。
7.2 图像分类与深度学习结合
形态学方法能解决大量规则缺陷，但总有一些缺陷长得很"暧昧"，比如涂层色差、轻微压伤、不规则的污染。这些缺陷用规则算法描述很困难，但人眼很容易判断。这类场景适合引入分类模型做最终决策。
Halcon 自带深度学习推理功能，可以直接调用预训练模型做图像分类。我的建议是让形态学方案负责硬判据，分类模型负责软判据，两者输出做加权融合。比如形态学明确检出崩口，就直接判 NG；当形态学得分处于边界状态时，再看分类模型的输出决定放行还是复检。这样既保持了规则算法的可解释性，又利用了分类模型的灵活性，误报率可以进一步降低。
7.3 数据追溯与报表
最后一个容易被忽略的扩展方向是数据追溯。产线设备的价值不只是把不合格品挑出来，更重要的是把每一只刀具的检测数据记录下来，方便后续做质量分析。我在现场部署的方案是把每次检测的 OK/NG 结果、缺陷面积、位置坐标、原图和裁剪出的缺陷区域图都保存到本地数据库，同时上传到生产管理系统。
有了这些数据之后，可以按批次统计缺陷占比，找出某个时间段误报率升高的原因。现场设备环境和工艺条件变化时，这些历史数据也是判断系统是否需要重新标定或调参的重要依据。我见过不少团队项目做完就把检测算法封存了，等到客户追责时才发现没有留存任何过程数据，非常被动。数据追溯这层投入不大，但价值在长期运行中会越来越明显。
说实话，刀具检测做到最后，我最大的体会是：真正决定一个视觉项目能不能稳定运行的，往往不是某一两个算子的参数调得多漂亮，而是整个链路里每一个变量都被看得住——光源稳不稳、固定牢不牢、参数有没有覆盖批次差异、异常图像有没有被记录下来。形态学给了我一套特别顺手的手术刀，但刀怎么握、往哪里下，还是要靠现场一点点磨出来。这个项目后续我们还在往多工位和 AI 分类方向走，那是另一个故事了。
