去年冬天，自动我在一家汽车零部件厂的化检车间里站了整整一个下午。流水线尽头，自动三台工业相机正对着刚冲压出来的化检金属支架拍照，每秒拍四十张。自动旁边的化检工人老周不再像五年前那样拿卡尺一个个量了——他盯着屏幕上的绿色“OK”和红色“NG”标记，偶尔伸手把红色标记的自动零件扔进废料箱。这条线上原本六个质检员，化检现在只剩他一个。自动

这就是化检自动化检测最真实的模样。它不是自动科幻电影里那种全知全能的机器眼，而是化检把“人眼+卡尺”换成“相机+算法”的笨功夫。核心逻辑很朴素：用传感器（相机、自动激光、化检超声波）采集物理信号，自动转成数字信号，再用规则或模型判断合格与否。听起来简单，做起来处处是坑。

为什么老周不能完全撒手？

因为算法会犯错。我亲眼看到一批支架被误判——金属表面反光在某个角度下，相机拍出来的图像和划痕几乎一样。那天下午算法连续报了十七个“NG”，老周拿卡尺一量，全是好的。他骂了句“这破眼睛”，然后手动把阈值调高了两个点。自动化检测的瓶颈从来不在硬件。现在一台500万像素的工业相机不到两千块，算力更是白菜价。难的是让算法理解“什么算缺陷”。划痕多长算划痕？0.1毫米还是0.2毫米？不同批次材料反光率不一样怎么办？这些参数没法靠公式推导，得靠老周这样的老师傅一条一条试出来。

我见过最聪明的做法，是把老师傅的经验变成代码

苏州有家做手机玻璃盖板的厂子，他们让质检员在触摸屏上圈出缺陷区域，系统自动记录这些区域的灰度值、梯度、面积。三个月攒了八千张标注图，训练出来的模型比原厂自带算法准了十二个百分点。这事有意思的地方在于：不是AI替代了人，而是人教会了AI怎么像自己一样思考。老周后来也参与了类似的项目，他把自己二十年攒的“手感”写进了参数表——比如“边缘发蓝的NG，发白的OK”。

但别误会，自动化检测不是万能药。我见过一家做精密弹簧的厂子，花大价钱上了激光检测系统，结果发现弹簧的微小形变需要从三个角度同时打光才能看清，而三个相机加镜头的成本比人工贵三倍。最后他们只把系统用在了出口订单上——因为老外要求全检报告。国内订单继续靠人眼加放大镜。商业逻辑比技术逻辑更决定自动化检测的边界。

另一个容易被忽略的细节：数据量

一条产线每天拍五十万张图，存一个月就是1.5亿张。存哪？怎么快速检索？我见过最土的办法是用移动硬盘每周拷一次，最聪明的做法是只存NG图和对应的原始数据。但问题来了——如果算法漏判了呢？三个月后客户投诉，你连原始图都找不到。所以现在有些厂子开始搞“边缘存储”：相机端只保留最近72小时的全量数据，服务器端只存NG和抽检的OK图。这中间的取舍，全是真金白银的教训。

老周去年底退休了。他走之前把参数表交给了徒弟，还留了句话：“机器比人快，但比人傻。你得盯着它。”现在那条线上装了六台相机，徒弟一个人管三班。偶尔深夜算法抽风，徒弟就翻出老周的手写笔记对参数。自动化检测走到今天，最值钱的不是算法，是那些被反复验证过的“笨参数”。它们藏在Excel表格里，藏在老师傅的笔记本上，藏在每一次误判后的手动修正中。

下次你看到“AI质检”的新闻，不妨想想老周。他不懂卷积神经网络，但他知道金属反光在下午三点会变。这才是自动化检测的真相：技术往前冲，经验在后面拽着，两者较劲的地方，就是产线上那台屏幕亮着绿光的电脑。

(责任编辑：探索)