摘要：视觉项目失败常因“光学没定好就上算法”。本文给出从光源/镜头/相机到少样本学习、规则兜底、验收指标的完整流程。

1. 光学优先

• 光源：金属反光用同轴或偏振，塑料划痕用暗场环；

• 镜头：优先定焦，视场覆盖+分辨率≥缺陷尺寸×5；

• 治具：让缺陷“稳定出镜”，减少角度与高度变化。

2. 数据与建模

1. 每类缺陷收集 30–100 张，做旋转/噪声/亮度增广；

2. 轻量模型优先，Recall 目标 ≥ 99%，再用规则减误报；

3. 把“样本来源、拍摄条件、版本号”写入数据卡。

3. 规则兜底

对边缘毛刺、油污面积等特征明显场景，用阈值+连通域面积建立二次校验，提升可解释性。

4. 验收与上线

以小时为窗口统计 FP/FN，设置“人工复判池”，持续喂给模型做再训练。上线前跑 1–2 周“影子模式”最稳妥。

推荐阅读：

Photoneo 3D 视觉 + Kawasaki：重型刹车盘高负载箱拣三岛联动产线

多光谱 vs 高光谱：把“光谱指纹”搬上产线的选型路线图

案例｜Delta 电子：用「数字孪生 + 合成数据 + 视觉 AI」重塑 AOI 与产线换型

案例｜动力电池壳体激光焊缝的机器视觉+AI重构：把“抽检”变成“闭环控”

【机器视觉×AI·系列 】视频级小样本缺陷检测：SAM2 半自动标注 + YOLOv10 边缘实时化

【机器视觉与AI】AI驱动的智能视觉检测：赋能制造业高精度质检与自动化