这几年做机器视觉，和客户交流的时候，经常能听到一句话：

“现在都是AI视觉了，传统视觉已经不行了吧？”

为什么会有这种印象？

一个很重要的原因，就是现在市场上“AI视觉”这个词实在太常见了。

很多方案介绍里，AI几乎成了万能答案。

产品有划痕？

AI可以检测。

表面有脏污？

AI可以检测。

缺陷形状不规则？

AI更适合。

听起来好像只要换成AI，所有问题就迎刃而解了。

但真正做过表面瑕疵检测项目的人都知道：

事情远没有这么简单。

AI很重要，但它不是“万能检测器”

先说结论：

AI视觉当然有价值，而且在很多复杂缺陷检测场景中非常有用。

尤其是一些缺陷没有固定形状、产品表面纹理复杂，或者传统规则算法很难准确描述的情况，AI确实提供了一种非常有效的解决方式。

但问题在于：

AI解决的是“识别”的问题，不等于解决了整个“检测”的问题。

一台真正的表面瑕疵在线检测设备，从产品进入检测区域开始，到最终判定NG，中间其实有很多环节。

产品怎么定位？

光源怎么布置？

相机怎么选？

曝光怎么控制？

缺陷怎么成像？

产品高速运动时，图像会不会拖影？

正常产品本身存在的纹理，会不会被误判成缺陷？

这些问题如果没有解决好，后面再加AI，也很难得到一个稳定的结果。

有时候，客户以为是“AI不行”，其实是“根本没拍清楚”

举一个比较简单的例子。

假设我们现在要检测金属表面的细小划痕。

如果光源角度不合适，划痕在图像里可能非常不明显。

换一个角度，划痕可能立刻变得清晰。

这时候如果检测效果不好，你觉得应该怎么办？

是换一个更复杂的AI模型？

还是先重新调整光源？

很多时候，答案其实是后者。

因为机器视觉有一个很朴素的逻辑：

相机首先得“看到”，算法才有东西可以“判断”。

这也是为什么做表面瑕疵检测时，光源设计、镜头选择、相机参数以及产品定位，往往需要和算法一起考虑。

不是算法不重要。

而是算法并不能替代成像。

“AI检测率99%”，这个数字到底怎么看？

这也是采购设备时比较容易踩的一个坑。

如果有人告诉你：

“我们的AI检测准确率可以达到99%以上。”

听起来非常漂亮。

但建议继续追问几个问题：

99%是在什么产品上测出来的？

测试了多少个样本？

缺陷样本有多少？

检测的是哪一种缺陷？

误检率是多少？

漏检率是多少？

产品速度是多少？

换一个批次之后，结果还一样吗？

因为“检测准确率”这个数字脱离具体应用场景，本身很难说明全部问题。

举个极端一点的例子。

1000个产品里面，只有10个是真正的缺陷品。

如果系统把绝大部分产品都判成OK，即使漏掉了几个缺陷，从某些统计口径来看，整体准确率可能依然很高。

但对于工厂来说，这几个漏掉的关键缺陷，可能比大量误检更加麻烦。

所以，真正做设备验收的时候，与其只看一个漂亮的“准确率”，不如把双方关心的漏检、误检、检测速度和实际缺陷样本都拿出来测试。

真正成熟的方案，往往不会把功劳全部归给AI

如果一个视觉项目最后做得不错，通常不是因为某一个环节特别“神”。

而是几个环节配合得比较好。

光源把缺陷表现出来。

相机稳定地采集图像。

算法对图像进行分析。

机械结构保证产品稳定通过。

软件完成判定、记录和追溯。

最后再把NG产品准确地剔除出去。

所以我们更愿意把机器视觉理解成一个完整的系统。

AI只是其中的一部分。

甚至在一些比较规则、缺陷特征比较明确的项目里，传统的图像处理算法配合合适的光学方案，同样可以完成稳定的检测。

不是用了AI，项目就一定高级；也不是没用AI，方案就一定落后。

适合产品的方案，才是好方案。

对工厂来说，真正重要的是“能不能稳定跑”

设备最终不是拿来做Demo的。

而是每天放在生产线上运行。

所以对于工程师和采购来说，判断一套表面瑕疵检测方案是否靠谱，我觉得有一个非常简单的方法：

少听一点概念，多看实际样品。

拿真实产品来测。

拿真实缺陷来测。

按照实际生产速度来测。

连续跑一段时间再看。

然后再去看：

漏检多少？

误检多少？

换批次是否稳定？

参数是否容易调整？

检测数据能不能追溯？

这些东西，最终比“用了什么AI模型”更接近设备真正的使用价值。

AI不是噱头，但也不应该成为噱头

不可否认，AI正在改变工业视觉。

对于一些复杂的表面缺陷，AI确实能够解决过去比较难解决的问题。

但我们也希望客户在面对各种“AI视觉”的宣传时，可以多问一句：

“AI具体解决了我的哪个问题？”

如果这个问题能够回答清楚，并且可以拿真实产品、真实缺陷和真实生产条件验证，那么AI就是一个非常有价值的工具。

如果只是把“AI”两个字放大，却说不清楚光源怎么设计、缺陷怎么成像、漏检误检怎么控制、量产后怎么保证稳定……

那就值得再多了解一下了。

机器视觉最终比的不是谁把“AI”两个字说得更响。

而是谁能真正把设备装上生产线，并且稳定地跑起来。