企业官网建设流程全解析

如果只看送检样件，TVA这套方案在实验室里的表现几乎是满分：误检率低得让人想直接签验收单。但把它搬上3C产品视觉检测的量产线之后，我才真正体会到什么叫“破局”和“重构”——不是算法又准了几个点，而是整个检测链路被现场问题反复锤打后，重新长出了不一样的结构。TVA的全称我们内部定义为Three-layer Vision Architecture，也就是三层视觉架构，专门用来处理3C外观检测里那些“看着不难、一上线就崩”的缺陷。这篇是系列第三篇，前面聊过成像方案选型和模型方向，这篇我重点讲落地：为什么必须分层、分层之后现场数据长什么样，以及两个让我印象极深的排查案例。

1. 为什么3C外观检测总在“漏检”和“过杀”之间摆钟

1.1 产线换型太快，方案跟着“调参”是死路

3C产品线的特点就是“快”和“杂”。今天这条线跑的是A客户高光黑色后盖，明天可能就换成B客户磨砂金属中框，再过几天又来个透明件的摄像头支架。每换一种材质、每改一次表面工艺，图像特征都会变一遍。

我们最早的做法和大多数团队一样：方案不够，调参来凑。换型之后，算法工程师的第一件事就是去产线重新采图，调整阈值、切换光源、补建模板。这套流程走下来，半天到一天就没了，而且每次调完都提心吊胆——因为你不确定这次调整会不会让另一种缺陷漏掉。

表面上看是“工作量问题”，实际上是“架构问题”。单模型方案把所有判断压力都压在一个分类器上，而这个分类器对光照、材质、纹理方向极其敏感。只要一个条件变了，它的决策边界就失效。与其说是我们不够努力，不如说是在用一个脆弱结构硬扛多变场景。

1.2 传统单模型的三个天花板：对比度、样本量、语境缺失

我后来把传统方案的局限总结成三个天花板，几乎每个3C项目都会踩到。

第一个是对比度天花板。很多缺陷先天就和背景长得太像：拉丝面上的浅划伤，人眼要拿手电倾斜45度才看得出来；透明件里面的气泡，常规照明下就是一团模糊影子。模型再强，也拿一张缺陷跟背景几乎融为一体的图像没办法。这就是“成像没做好，算法来背锅”。

第二个是样本量天花板。3C缺陷样本收集本来就难，良品几万张，缺陷可能只有几十张，某些稀有缺陷可能几个月才出现一次。单模型要同时学会所有缺陷形态，数据根本喂不饱。更头疼的是，一旦出现一个新缺陷类型，你得重新攒样本、重新标注、重新训练，中间这段空窗期全靠肉眼盯。

第三个是语境缺失天花板。同样是划伤，出现在可视面上可能是致命缺陷，出现在装配面上可能根本没人关心。单模型只能输出“OK”或“NG”，它不知道产品标准是什么，不知道这个缺陷在哪个区域、什么方向、多大尺寸才算超标。这类知识没办法写到像素分类里，只能靠外部规则补。

1.3 最后一根稻草：一个漏检事件让我们决定推倒重来

真正让我们下决心重构的，是一个不算特别严重的漏检事件。当时现场反馈过杀率偏高，我们为了让产线稳住，把分类阈值往上抬了一点。结果当天就有一批“深色小花纹”漏掉了——那种花纹在正常光线下几乎看不见，质检员用手电筒逐件抽查才发现，那批外观件返工了两次。

复盘的时候，大家其实都清楚问题出在哪：阈值一旦上调，处于灰色地带的缺陷就会从“轻微可疑”变成“直接放过”。单模型方案本质上是一个黑盒，你无法让它在某个局部变得更严格，又不影响其他地方。我们当场决定停止“补丁式”调参，开始按三层架构重构检测链路。

2. TVA破局的三次关键取舍：不堆模型，改成切分层

2.1 第一层取舍：先把“让缺陷显形”变成硬约束

TVA的第一层不是模型，而是成像。我们内部有一条很轴的规矩：缺陷在图像里看不见，算法再好也白搭。

以前布光是“能看清产品就行”，现在布光是“让缺陷和背景的对比度最大化”。划伤类缺陷要用低角度条形光，让表面微起伏产生高亮或暗影，形成一条明确的引导线；镜面外观要用同轴光或穹顶光源，避免硬反光把整个视野打白；拉丝金属表面则用两个方向的光交替照明，分别采集顺纹和逆纹的图像信息。

这一步听起来简单，但实际推进时会发现，光学工程师和算法工程师经常互相“甩锅”。所以我们在架构上明确：成像质量是检测效果的第一责任人，谁布的光、谁拍的图，谁就必须对后续误检负责。很多缺陷之所以难检，不是算法不行，而是光源角度一偏，对比度就没了。

2.2 第二层取舍：粗检只做召回，不做精确分类

TVA的第二层是粗检。这一层的目的非常纯粹：从大图上找出所有“不对劲”的候选区域，至于它到底是什么缺陷，先不管。

我经常用安检闸机来打比方：粗检就像闸机口的保安，宁可多拦几个看起来可疑的人，也绝不能让真有问题的人混过去。哪怕每张图拦下来一两百个候选框都没关系，只要那个真正的缺陷一定在里面就行。

实现方式可以很灵活。可以做背景差分，可以做局部梯度异常检测，也可以用轻量级分割模型。核心指标只有一个：召回率。粗检阶段一旦开始纠结精确率，就会不由自主地收紧阈值，那就又回到单模型的老路上了。

这层取舍最大的好处是让算法团队松了口气。以前的模型既要“找得到”又要“判得准”，两件事互相打架；现在把“找”和“判”拆开，每一层都能用最简单、最稳定的方式做自己最擅长的事。

2.3 第三层取舍：把“产品知识”写回判定逻辑

TVA的第三层是细分类加语义校验。候选ROI被裁出来之后，先送进细分类模型，判断它属于划伤、脏污、凹坑、毛刺、异物等哪一类，然后进入判定引擎。

关键就在判定引擎这里。最终放行或拦截，不是细分类模型单独说了算，而是把分类结果、几何尺寸、位置、方向、缺陷数量、产品标准放在一起综合计算。举个例子：同样是划伤，出现在可视面且长度超过1毫米，判NG；出现在装配面，长度低于3毫米，可以放行。脏污如果可擦除，先进入复判流程，而不是直接判死。毛刺方向如果和开模方向一致，脱落风险更高，判定权重就更大。

这类“产品知识”以前散在工艺人员脑子里，现在被结构化地写进判定规则。这是TVA和传统方案最大的分水岭：模型负责“看见”，规则负责“理解”。两者打通之后，过杀率才能降下来，因为很多以前被判NG的样本，本质上只是“模型不认识这个语境”，而不是“产品真的有问题”。

3. TVA重构后的完整检测链路：从成像到判定怎么串起来

3.1 一条完整的检测样本流长什么样

重构之后，我们的检测链路大概是这样的：

1. 上料定位，触发相机拍照。
2. 工位一：45度环形光成像，负责整体脏污、大颗粒异物。
3. 工位二：低角度条形光成像，光方向与拉丝纹理垂直，负责划伤、浅凹坑。
4. 工位三：同轴光成像，负责镜面外观的微小压伤和指纹类脏污。
5. 各工位分别做粗检，产出候选区域。
6. 候选区域按位置坐标合并成ROI列表，剔除跨工位重复项。
7. 每个ROI被裁切后送细分类模型，打上缺陷类型标签。
8. 判定引擎结合产品规则输出：放行、拦截、复检。
9. 被拦截的工件进入人工复判通道，所有标签回流样本库。

需要特别强调的是，多工位的图像不是简单拼成一张“大图”再喂给模型。同一个缺陷在不同光照下长得很不一样，直接合并反而会干扰模型。我们的做法是每个工位独立粗检，最后只汇总候选坐标和对应图像块，保留光照信息进入下游。

3.2 关键参数与工位设计怎么定

很多团队问我们的参数是怎么定的，这里给一组比较典型的初始值作参考：

有人问分辨率怎么算出来的。思路很简单：假设视野宽度是50毫米，传感器横向像素数是5000，那么单个像素对应0.01毫米。要让0.1毫米的最小缺陷至少有3个像素覆盖，这个配置刚好够用；如果视野更大或缺陷更小，就往上加分辨率。这套逻辑虽然基础，但很多方案在立项时根本没算过，导致后面越调越费劲。

3.3 闭环迭代：当天误报当天进训练集

架构跑起来之后，真正的体力活在于数据回流。产线每天都在自然产生两类极其珍贵的样本：一类是误报，也就是系统拦截了但人工复判为OK的工件；另一类是漏报，发生在人工抽检或客户端反馈里。

我们的规矩是：**误报图当天追加为负样本，漏报图当天追加为正样本，每周做一次增量训练加回归测试。**现场质检员在复判终端上只需要点三个标签——OK、NG、疑似，点完以后数据自动进入待标注队列，算法工程师第二天上班直接处理。

这套流程看起来不难，但执行起来会暴露很多管理问题。以前我们攒样本是按“周”甚至“月”来算的，等数据够了再训一次模型，结果发现产线的材质、光源、机台状态早就变了，旧数据对新场景帮助有限。改成当天回流之后，模型每次迭代都在“吃”最新鲜的问题，针对性好很多。

我这里补一句：增量训练一定要配回归测试。每次训完新模型，必须拿过去两周的全量历史图像重跑一遍，确认之前的缺陷没有“回潮”。否则这个模型可能对今天的误报修好了，却把上周一个已经解决的漏检又放出来了。

4. 换型首月的实测数据与两个难啃的现场问题

4.1 首月数据对比：漏检率和过杀率的变化

在这个3C外壳项目上，传统单模型方案运行了将近四周，之后切到TVA架构再跑四周。因为中间存在人工复判流程，我们把几种核心指标做了对比：

需要说明的是，这是单一项目的数据，不同材质和不同产品形态差异会很大。它的意义不在于“TVA一定能把漏检率降到多少”，而在于我们从结构上把指标的波动压住了：换型不再是一场灾难，新增缺陷也不再意味着整个方案推倒重来。

4.2 排查链路实录：拉丝纹理为何被当成划伤

首月跑得还算顺利，但第二个星期就撞上一个硬问题：换型到拉丝铝外壳之后，过杀率从2.8%一路飙到7%。终端显示的原因高度集中，几乎都是“划伤”。

排查链路是这样的。第一步，先把被判为划伤的图像全部拉出来看。结果发现，大量候选区域其实是拉丝纹理本身的亮线。拉丝方向与低角度条形光方向垂直时，每条丝纹都会形成高亮反射，视觉效果和浅划伤极度相似。

第二步，看训练样本。我们把样本分布调出来，发现训练集中“光滑表面”的照片占了绝大多数，真正包含拉丝纹理的负样本只有5%左右。模型没见过那么多“纹理亮线”，自然会把它们当成异常。

第三步，看特征分布。把拉丝亮线样本和真实划伤样本的特征映射出来之后，我们注意到一个关键差异：拉丝产生的亮线梯度方向高度一致，基本沿同一方向排布；而真实划伤的方向比较分散，深浅变化也更随机。

第四步，补规则而不是只硬训模型。我们在判定引擎里增加了一条方向校验：当候选缺陷方向与拉丝主方向夹角小于阈值时，只有亮线长度和深度同时超过标准才判NG，否则进入人工复检。同时重新采集了两百多张拉丝面图像加入训练集。

第五步，回归验证。拿历史两周的误报图像重新评估，过杀率回到2.6%，而且没有新增漏检。

这次排查让我印象很深，因为它告诉我们：出现误报的时候，不要急着骂模型，先把“信息是在哪一层断裂的”找出来。成像、样本、特征、规则，四层逐一排查，大多数问题都能定位。

4.3 第二个坑：镜面反光伪影被当成真实缺陷

另一个印象深刻的问题来自高光黑色外观件。上线第一天，粗检模块就疯狂报警，候选框大量集中在视野边缘的固定位置。细分类模型把这些候选框里的边缘纹理变化判成了“压伤”。

这批“压伤”如果按缺陷处理，过杀率会直接爆表。我们停线排查后发现，问题的根源很微妙：反光光斑是环境灯在工件曲面上的投影，每件产品拍照时都会在同一个位置出现，但它不是缺陷，而是光学伪影。

光靠细分类模型很难区分这种伪影，因为它的局部纹理和真实压伤太像了。我们的解法是“多视角一致性校验”：同一个真实缺陷会在多个工位、多个光源角度下同时被检出，且空间坐标基本一致；而反光伪影往往只在一个光源角度下出现。于是规则里增加了一条：候选区如果只在单个工位检出，且坐标不与其他工位产生关联，就标记为环境伪影并过滤掉。

这个方案上线以后，那种固定位置的反光报警基本消失。这件事再次验证了一个观点：很多“算法解决不了”的问题，其实是因为没有把物理世界的信息引入决策链。多一个视角，多一次光源切换，比给模型加一百层参数都管用。

5. 给想复刻这套架构的团队几句实在话

5.1 先统一“漏检率”的口径，否则团队会吵到怀疑人生

这是我最想提醒的一点。我们刚上线的时候，算法、生产和品质对“漏检率”的理解完全不一样：有人按质检员复检数算，有人按客户端退回数算，还有人按抽检比例反推。同样的数据，有人算出0.1%，有人算出1%，两边还都认为自己没错。

所以在项目一开始就要把口径定死，建议至少固定三个指标：

• 漏检率：人工复检或抽检中发现的NG件数 / 对应样本总数。
• 过杀率：复判为OK的拦截件数 / 总拦截件数。
• 换型时间：从切换机型到设备稳定运行所花的时间。

口径统一之后，算法工程师和生产主管才能在同一张报表上对话。否则所有争论都会变成“你们算得不对”的无意义内耗。

5.2 给现场留一条“人工复判通道”，别让算法一锤定音

很多检测项目上线后，被判NG的工件直接流入废品箱，导致两个问题：一是误杀的工件无法挽回，二是误报样本永远进不了训练集。这等于让系统闭着眼睛跑，越跑越脆。

我们的做法是设置复判工位。系统拦截的工件先到人工复判区，质检员确认OK的返回产线，确认NG的登记缺陷类型。这条通道表面上看多了一个人工环节，实际上它既降低了过杀带来的物料损失，又源源不断地为算法提供标注数据。没有复判通道的检测系统，后期迭代速度会慢一个数量级。

5.3 模型版本按机型管理，别指望一个模型通吃

不同材质、不同光源、不同机型的图像特征差异太大，指望一个模型“通吃”所有产品是不现实的。我们把模型按产品族拆成多个基线版本，新机型从最接近的基线复制出来做微调，每个版本都有独立的样本库和判定规则。

上线之前必须做历史回归：拿新模型跑一遍过去两周的全量图像，确认它在新老问题上都不劣化，才允许发布。一旦现场出现异常，还能一键回退到上一个稳定版本。这套版本管理机制看起来传统，但在快速换型的产线上非常管用，它能保证“改进”和“稳定”不互相牺牲。

我特别想强调的一点是，TVA三层架构最大的收益其实不在准确率数字变好看，而在于团队终于能正常配合了：光学工程师知道自己要为什么样的图像负责，算法工程师不再整天给“万能模型”做救火，现场品质也有明确的复判流程。如果你现在正被漏检率和过杀率两头夹击，我建议先别急着换更大更贵的模型，而是把检测链路拆成“成像—召回—细判—语义—回流”五段，看看信息是在哪一段丢的。这套架构不一定适合所有场景，但这个排查思路我自己用下来，相当值。