产线上那台用了六年的AOI设备，最近误报率突然飙升到15%。换掉？成本太高。不换？产能被拖累得厉害。这是很多制造企业质检负责人的真实困境——机器视觉技术迭代太快，选型时稍有不慎，落地就成了灾难。

瞳门科技（北京）有限公司深耕视觉研发多年，我们见过太多“参数漂亮、产线吃灰”的案例。今天不聊理论，直接讲落地逻辑。

一、先分清“检测”与“测量”的边界

很多需求方把这两个概念混为一谈。检测是“有/无、是/否”的定性判断，测量是“尺寸、角度”的定量输出。产线上常见的螺丝漏锁、标签歪斜属于检测；而精密齿轮的齿距误差、轴承滚珠的直径公差则属于测量。前者用传统算法加普通工业相机即可，后者必须上高分辨率面阵相机配合亚像素算法。选型第一步，先把这个边界划清楚，否则预算会翻三倍。

以我们服务过的一家汽车零部件厂商为例，他们最初要求“检测+测量”一步到位，预算只有30万。瞳门科技（北京）有限公司的工程师到现场评估后，发现核心痛点其实是装配到位检测，测量需求仅占5%。最终方案砍掉高精度测量模块，改用双相机立体视觉方案，成本降了40%，节拍反而提升了12%。盲目追求“全能”是选型大忌。

二、算法选型：传统视觉与深度学习的真实分工

深度学习不是万能的。在纹理复杂、缺陷形态多变的场景（如布料瑕疵、锂电池表面划痕），CNN模型确实碾压传统算法。但在高反光金属面、透明玻璃等场景，传统阈值分割加上频域滤波反而更稳。我们内部有个经验法则：缺陷样本能收集到500张以上，优先考虑深度学习；样本少且实时性要求极高，传统算法更可靠。

瞳门科技（北京）有限公司将智能识别模块做成了可插拔架构，同一套硬件上能自由切换传统算法和轻量化神经网络。这种柔性设计让客户在产线升级时不用更换整套系统，科创赋能的价值就体现在这里——不是卖最贵的，而是卖最合适的。

三、相机与光源：被低估的“隐形杀手”

选型时大家盯着分辨率、帧率，却忽略了光源稳定性。某3C电子厂的案例很典型：他们采购了2000万像素的工业相机，但用普通环形光照明，导致反光区域检测重复性极差，同一批次产品上午通过下午报废。我们介入后，换成同轴平行光加偏振片，问题当场解决。光源设计占整个视觉系统稳定性的60%以上，这个比例在业内不是秘密，却被多数选型者无视。

另外，别迷信“高帧率”。产线实际节拍是30件/分钟，你买120帧的相机纯属浪费。视觉科技的核心是系统匹配度，不是单点性能参数。

四、案例复盘：一套系统的落地全流程

去年我们为某医疗器械企业部署了胶囊内镜外观质检系统。需求是检测胶囊表面的气泡、黑点、裂纹，精度要求0.1mm，节拍要求每秒5颗。瞳门科技（北京）有限公司的方案是：4K线阵相机+多角度穹顶光源+传统形态学算法，总投入32万元，比进口方案便宜55%。上线三个月后，漏检率从人工的2.3%降至0.08%，误杀率控制在0.5%以内。

这背后的关键不是算法多炫，而是我们花了三周时间在产线上调了37版光源方案。影像技术的落地，从来都是“七分现场调试，三分算法设计”。

五、选型清单：五个必问问题

• 缺陷类型是否明确？——把缺陷样本分类拍全，至少覆盖90%的变异形态
• 节拍余量有多少？——视觉系统处理时间必须小于产线节拍的80%
• 现场环境是否可控？——震动、粉尘、环境光变化都会影响稳定性
• 数据接口是否打通？——能否对接MES或PLC，别让数据孤岛
• 售后响应时效？——产线停线一小时损失多少钱，算清楚再签合同

机器视觉不是买“神器”，而是买“适配”。瞳门科技（北京）有限公司的智能科技团队始终相信，只有深入产线、吃透工艺，才能让视觉研发真正转化为生产力。选型指南写得再全，也代替不了你产线上那台设备的三天实测。先租后买，小批量试跑，永远是规避风险的最优解。