现在不少工厂的质检工位上，工人旁边多了一台相机加一块显示屏。产品从流水线上过，相机"咔嚓"一拍，屏幕上立刻标出哪里有划痕、哪里有缺角。这套东西叫机器视觉，原理说起来不神秘。

　　第一步是打光。这其实是视觉检测最关键的一步。不同的瑕疵适合不同的光源——划痕用条形光从侧面打，缺角用环形光正面打，透明产品得用背光把轮廓勾出来。光打得不对，后面算法再强也白搭。

　　第二步是成像。工业相机拍出来的是高分辨率的灰度图，比手机照片精细得多，一个一厘米的零件能拍出几千个像素点。这样才能分辨出零点几毫米的小瑕疵。

　　第三步才是算法。传统做法是靠人工设定阈值——灰度低于多少算污点，边缘偏离多少算变形。这种方法在标准产品上效果很好，但碰到材质不均匀、光线变化大的情况就容易误判。

　　这两年慢慢换成了深度学习的办法。拿几百张良品和不良品的照片喂给模型，让它自己学什么样的纹路算正常、什么样的算异常。好处是适应性强，缺点是你得攒够样本，而且一旦换了产品型号，可能还得重新训练。

　　实际工厂里用的，往往是传统方法和深度学习混搭。能靠规则解决的就用规则，规则搞不定的再上模型，这样稳定性和准确率都能兼顾。