企业官网建设流程全解析

织物缺陷检测这个方向，我在织造和染整车间里前后折腾了三年多，从最早的工控机加采集卡那一套，到后来换成嵌入式边缘盒子，踩过的坑大概能写满一个笔记本。直到现在，每次有朋友问"这个活儿到底能不能做"，我的回答都是：能做，但先别急着上深度学习。原因很直接，织物缺陷检测的难度并不在模型本身，而在成像质量、缺陷定义、产线速度和误报容忍度这四件事上。任何一个环节没想清楚，模型再漂亮也落不了地。

这篇文章我打算把方法层面能讲的东西一次讲透。从缺陷类型怎么分类、传统图像处理和深度学习各自适合什么场景、打光方案怎么选、相机行频怎么算，到部署时的速度和误报控制，最后配一份常见问题速查表。内容偏向于"怎么选、怎么算、怎么落地"，适合正在做相关项目评估的工程师、做视觉算法想切入纺织行业的朋友，以及纺织厂里负责质量管控的技术人员。看完之后，你至少能拿出一套能自洽的选型逻辑，而不是跟风上模型。

1. 织物缺陷检测整体思路拆解

1.1 为什么这个场景不适合一上来就堆模型

织物跟其他工业品有个本质区别：它是柔性的、连续的、纹理高度重复的。金属件、玻璃、PCB板这类产品，缺陷和背景在灰度或颜色上往往有明确差异，一个简单的阈值分割就能切出七八成；但织物本身就是由经纬纱交织形成的周期性纹理，正常区域里就充满了高频的明暗变化。我见过不少团队拿着做表面缺陷那一套直接搬过来，结果模型把正常的织纹起伏全当成异常报出来，误报率高得没法看。

还有一个更隐蔽的问题：缺陷的定义在不同厂、不同订单之间会变。同样一个两毫米的纬向疵点，做家纺面料可能算可接受，做高档衬衫面料就是死判。有些客户甚至会把"色差"细分成匹差、段差、边中差，每一种的判定口径都不一样。这意味着你在方法设计阶段就必须把"判定规则"和"检测算法"分开考虑，算法负责找出所有可疑区域，规则层负责根据订单标准给出最终判定。这个分层思路是我这几年的核心经验，比纠结用哪个网络重要得多。

从系统角度看，一套完整的织物缺陷检测方案通常包含四层：成像层（相机加光源）、预处理层（去噪、校正、拼接）、检测层（算法找疑点）、判定层（规则给结论）。很多人把注意力全压在检测层，其实成像层决定了整个系统的上限，判定层决定了它能不能被产线接受。检测层反而是在这两层确定之后才需要精调的部分。

1.2 常见缺陷类型的分类与判定口径

要把方法讲清楚，先得把检测对象说清楚。织物缺陷按成因大致可以分成几大类，每一类在图像上的表现差别很大，直接决定了用什么方法合适。

这里我要强调一个容易被忽略的点：污渍类和色差类缺陷，用灰度相机基本做不好。我早期有个项目用的是单色线扫相机，油污和正常区域灰度差异极小，算法怎么调都分不开，后来换成彩色相机在 HSV 空间的饱和度通道上做，一下就清晰了。所以相机选型必须在缺陷类型确定之后立刻定下来，不能等算法做不动了才回头改。

另一件事是判定口径要量化。什么叫"两毫米的疵点"？是面积两平方毫米，还是长度两毫米、宽度不限？我在实际项目里坚持用"缺陷外接矩形的长边尺寸"作为判级依据，配合面积做辅助，这个口径简单、可复现、跟人工检验员的目视判断吻合度最高。定口径的时候一定要拉上质检主管一起坐半天，把边界案例一张张过，最后形成一份带图的判定标准文档。这份文档的价值远超任何算法改进。

2. 方案选型：从规则到学习的三条路线

2.1 传统图像处理路线还能不能用

每次有人问我"现在还有必要用传统方法吗"，我都会说：在织物检测这个场景，传统方法不但能用，而且很多情况下是首选。原因在于织物的纹理周期性极强，这恰恰是频域方法最擅长的。正常织物的傅里叶频谱会呈现非常规则的峰值分布，一旦出现缺经、破洞这类缺陷，频谱上的某些峰就会减弱或消失，这个特征稳定得惊人。

传统路线的典型组合是：先做光照不均校正，再用 Gabor 滤波器组或多尺度 LBP 提取纹理特征，然后用局部统计量（均值、方差、极差）构建异常图，最后用阈值加形态学后处理得到缺陷区域。这套流程我在纯色平纹布上跑过，检出率能做到九成左右，误报在每百米三到五个，单帧处理时间不到十毫秒，用普通工控机就行，完全不需要 GPU。

它的优势非常实在：可解释、参数少、调试快、算力需求低、不吃标注数据。但它的边界也很清楚——花型复杂的面料、提花面料、色织面料，正常区域的纹理本身就千变万化，传统方法构建的"正常模型"根本覆盖不住。另外它对光照变化的鲁棒性差，车间里电压波动、灯管老化都会影响结果。所以我的判断标准是：素色、规则组织、批量稳定的订单，优先传统方法；花色复杂或订单切换频繁的，直接上学习类方法。

2.2 监督式深度学习的适用条件

监督式方法的效果上限确实高，但它有个硬门槛：你得有足够多、标注足够准的缺陷样本。织物缺陷的分布是典型的极端长尾，正常图片能轻松攒到几十万张，缺陷样本可能几个月才凑出几百张，其中某些类型（比如蛛网、稀密路）更是稀有。我就遇到过整个项目周期里只收到十七条蛛网样本的情况。

在这种数据条件下，我的做法是分两级：常见缺陷（污渍、破洞、断经）用监督式检测网络，稀有缺陷用无监督异常检测兜底。监督这一路我倾向于用目标检测框架而不是分割框架，因为检测框的标注成本远低于像素级标注，一个熟练的标注员标检测框的效率大概是像素级标注的五到八倍。而且对织物缺陷来说，给个准确的框加上尺寸，判定层已经够用了，不一定需要精确的像素轮廓。

网络选型上，我一般从轻量级检测网络起步，输入分辨率控制在 640 到 1024 之间。这里有个反直觉的经验：分辨率不是越高越好。织物的缺陷往往在放大后反而失去了"局部异常"的整体感，而且分辨率翻倍会让算力需求翻四倍。我通常会按最小可接受缺陷尺寸反推需要的分辨率，够用就行。

2.3 无监督异常检测作为兜底

无监督异常检测这几年在工业视觉里热得很快，织物场景其实特别适合。它的基本假设是：只用正常样本训练，模型学会重建或表示正常纹理，遇到异常时重建误差或特征距离就会偏大。这样就不需要缺陷标注，解决了长尾问题。

常用的几条技术路线，我在织物上实测过的有基于重建的自编码器类、基于特征嵌入的 PatchCore 类、基于归一化流的类方法。综合来看，PatchCore 这一路在织物上的表现比较均衡：训练只要正常样本，推理速度可控，对纹理类缺陷的敏感度高。但它的短板也明显——对色差这类全局缓变的缺陷几乎无感，因为它的核心是局部块特征匹配。

我现在的标准做法是"监督 + 无监督双通道并行"：监督通道负责已知缺陷类型的精准检出和分类，无监督通道负责发现没见过的新异常。两路结果送到判定层做融合，同一位置被两路都命中的，置信度加权提高；只被一路命中的，按类型给不同权重。这套结构在实际产线上比单路方案稳定得多，尤其是刚上线、缺陷样本还不全的阶段。

3. 打光与成像：决定系统上限的一步

3.1 光源方案的选择逻辑

织物检测的光源方案，核心矛盾在于：既要让缺陷明显，又要让正常织纹尽量"平"。这两件事在很多时候是冲突的，需要根据主要检测的缺陷类型来取舍。

明场照明（光源与相机同侧，正反射方向）适合检测表面污渍、色差，织纹细节会被弱化，图像整体均匀，对颜色类缺陷友好。暗场照明（光源角度大，只接收散射光）会把纱线的立体结构凸显出来，断经、跳纱、毛羽这类缺陷会变得非常醒目，但正常织纹的起伏也被放大了，对算法是个挑战。透射照明（光源在织物背面）适合检测破洞、稀密路这类透光率变化明显的缺陷，缺点是只能用于单层、透光性好的织物。

我常用的组合是"透射主光源 + 斜射辅助光源"，两路图像分别处理再融合。透射图抓破洞和稀密路，斜射图抓断经和织纹异常。代价是相机数量翻倍，成本上去了，所以在预算有限的项目里，我会先按缺陷优先级砍掉次要类型，用单光源方案。

还有一个非常容易被忽视的细节：光源的频闪同步。线扫描相机是逐行曝光的，如果光源用连续照明，曝光时间就必须压得很短来避免运动模糊，亮度往往不够；用高频闪光源配合行频同步，可以在保证亮度的同时冻结运动。频闪频率必须和相机行频严格一致，我见过因为同步信号抖动导致图像出现规律性横纹的案例，排查了整整两天才发现是触发信号线太长引入了干扰。

3.2 相机与镜头参数的计算过程

这部分我想给出可以照着算的过程，因为参数算错是新手最常见的翻车点。

假设需求是：幅宽 1800 mm，产线速度 60 m/min，要求能检出最小 0.5 mm 的缺陷，希望对应至少 2 到 3 个像素。

先定检测精度。要让 0.5 mm 的缺陷占到 2.5 个像素，单像素对应实际尺寸就是 0.5 / 2.5 = 0.2 mm/pixel。这个值就是空间分辨率。

再算横向像素数：1800 mm / 0.2 mm = 9000 像素。市面上的线扫相机常见规格有 2K、4K、8K、16K，8K 是 8192 像素，不够；要覆盖 9000 像素，可以用一台 16K 相机，或者用两台 8K 相机做拼接（考虑重叠区，两台 8K 各覆盖 950 mm 左右比较稳妥）。拼接方案成本低但会增加标定和拼接的复杂度，接缝处理不好会在中间留一条盲区，我一般建议除非预算卡得很死，否则优先单台高分辨率相机。

接着算行频。产线速度 60 m/min = 1000 mm/s，每行对应 0.2 mm，所以行频 = 1000 / 0.2 = 5000 行/秒。选相机时行频必须大于这个值并留出 20% 余量，也就是至少 6000 行/秒。很多相机标称行频是在降低位深或缩小 ROI 的前提下达到的，看规格书时一定要确认在目标位深下的实际行频。

然后算数据率：9000 像素 × 5000 行/秒 = 45 M 像素/秒。8 位灰度就是 45 MB/s，如果是 3 通道彩色就是 135 MB/s。这个数字直接决定了接口选型——千兆网口理论带宽 125 MB/s，实际可用约 100 MB/s，跑灰度勉强够，跑彩色就不行了。所以彩色方案要么用万兆网口，要么用 Camera Link 或 CoaXPress。接口算错会导致丢帧，而丢帧在织物检测里等于漏检，属于致命问题。

最后是镜头。设相机传感器像元尺寸为 5 μm，那么镜头放大倍率 = 像元尺寸 / 空间分辨率 = 0.005 / 0.2 = 0.025。对应的工作距离和视场要按镜头公式反算，这部分建议直接用厂商的选型工具，同时注意镜头的解析力要匹配像元尺寸，不然再高的分辨率也是白搭。

4. 传统方法实操：纹理特征与后处理

4.1 光照校正与纹理特征提取

无论后面用不用深度学习，预处理这一步都跑不掉。织物图像最常见的问题是光照不均，两侧暗中间亮，直接用阈值分割会把暗区整片判成缺陷。我通常用大核高斯模糊得到光照背景，再用原图除以背景做归一化，这个操作叫同态校正的简化版，实测比直接做直方图均衡效果好得多。

纹理特征这块，Gabor 滤波器组是经典选择。它的本质是用一组不同方向、不同频率的带通滤波器去响应图像，正常织纹会在特定方向和频率上产生强响应，缺陷区域则会破坏这种规律。实操上我会取 4 到 6 个方向、3 个尺度，一共 12 到 18 个滤波器，对每个滤波结果取局部窗口的能量，就得到一组特征图。

import cv2 import numpy as np def build_gabor_bank(ksize=31, sigmas=(2.0, 3.5, 5.0), thetas=None, lambd=10.0, gamma=0.5): if thetas is None: thetas = [np.pi * i / 6 for i in range(6)] bank = [] for sigma in sigmas: for theta in thetas: kern = cv2.getGaborKernel( (ksize, ksize), sigma, theta, lambd, gamma, 0, ktype=cv2.CV_32F) kern -= kern.mean() # 去掉直流分量，避免整体亮度干扰 bank.append(kern) return bank def gabor_energy_map(gray, bank, win=15): feats = [] for kern in bank: resp = cv2.filter2D(gray, cv2.CV_32F, kern) energy = cv2.boxFilter(np.abs(resp), cv2.CV_32F, (win, win)) feats.append(energy) return np.stack(feats, axis=0)

提示：Gabor 核一定要减掉均值再去卷积。我第一次写的时候没做这一步，结果特征图完全被整体亮度主导，缺陷信号全被淹没了，调了两天才想明白。

除了 Gabor，局部二值模式（LBP）也常用，它的优势是计算极快，对单调光照变化不敏感，适合做粗筛。我一般用 Gabor 做精检，LBP 做初筛，先用 LBP 快速排掉九成以上的正常区域，剩下的可疑区域再走 Gabor 精细分析，这样能把整体耗时压下来一半左右。

4.2 异常图构建与形态学后处理

有了特征图，接下来要把"异常"变成一个可以阈值化的标量。常见的做法是计算每个像素的特征向量与正常分布的距离。工程上最省事的办法是：拿一批正常样本跑出特征图，逐位置统计均值和标准差，得到一个标准的正常模板，然后对待检图像计算标准化偏差的平方和。

def build_normal_model(normal_gray_list, bank, win=15): stack = [gabor_energy_map(g, bank, win) for g in normal_gray_list] stack = np.stack(stack, axis=0) # (N, F, H, W) mu = stack.mean(axis=0) sigma = stack.std(axis=0) + 1e-6 return mu, sigma def anomaly_score(gray, bank, mu, sigma, win=15): feat = gabor_energy_map(gray, bank, win) z = (feat - mu) / sigma score = np.mean(z ** 2, axis=0) return score

异常分数图拿到后，先做高斯平滑抑制噪点，再用自适应阈值二值化。这里不要用全局固定阈值，因为不同批次的布面反射率会漂移，我一般用"均值加 K 倍标准差"的动态阈值，K 的取值范围在 3 到 5 之间，具体靠现场调。

二值化之后必须做后处理，否则会有大量零散噪点被误判。我的标准流程是：先做开运算去孤立点，再做闭运算把断裂的缺陷区域连起来，最后用连通域分析过滤——面积小于最小阈值的丢掉，长宽比异常的根据缺陷类型决定是保留还是舍弃。比如经向缺陷的长宽比通常大于 5，如果检出一个长宽比接近 1 的小块，大概率是噪声。

注意：形态学核的尺寸要跟检测精度挂钩。如果空间分辨率是 0.2 mm/pixel，想要去掉小于 1 mm 的噪点，核尺寸就应该在 5 像素左右。核开太大，真实的细小缺陷会被一起抹掉，这个权衡要靠现场样本反复试。

5. 深度学习方法实操：从数据到部署

5.1 数据标注与增强的实操要点

数据这块我先说结论：织物缺陷检测项目里，数据工作量占整个项目的一半以上，而且质量比数量重要得多。我见过标注质量差的团队，标出来的框有一半都不贴合缺陷边界，模型训出来的定位精度惨不忍睹。

标注环节有几个细节值得说。第一，标注规范要写清楚"框到哪算合适"，我的标准是框边紧贴缺陷可见边界，允许一个像素级误差，不允许为了"保险"把框放大。第二，要专门设一个"是否可判级"的字段，比缺陷类型还重要。有些缺陷过于细微，人工质检员自己都不判，这种样本标进去只会污染训练集。第三，一定要标一部分纯正常但"边缘可疑"的样本作为负样本，比如织纹略微不匀的区域，这些是误报的主要来源。

增强策略上，织物有个特点：纹理方向是有物理意义的。经向、纬向对应织物实际的方向，所以不能随意做 90 度旋转，那样会把经向缺陷变成纬向缺陷，标签就错了。可以做的增强包括小幅平移、水平镜像、亮度与对比度扰动、轻微高斯噪声、局部弹性形变。特别是弹性形变，能模拟织物在张力变化下的实际形变，对提升泛化很有帮助。

我还会用一类比较特殊的增强：把真实缺陷"抠"下来，随机贴到正常布面图像上合成新样本。这个方法能有效扩充稀有缺陷，但也有风险——合成缺陷的边界和背景过渡往往不自然，模型可能学到"拼接痕迹"这个伪特征。我的应对是只合成小尺寸缺陷，并且对粘贴区域做羽化混合，同时在训练时用较强增强削弱模型对局部纹理的依赖。

5.2 模型训练的收敛控制与调参思路

训练织物检测模型，最头疼的是正负样本极度不平衡。如果按常规的随机采样，一个批次里可能只有一两个正样本，损失被负样本主导，模型会倾向于全部预测为背景，召回率上不去。常用的缓解手段有三类：重采样、损失加权、难例挖掘。

重采样我一般不用简单过采样，因为会把同一张图重复太多次导致过拟合。我用的方式是保证每个批次里正样本占比在 25% 到 40% 之间，通过控制采样器的采样权重实现。损失函数上，分类分支用带聚焦机制的损失，回归分支用平滑的绝对误差损失，这两者组合在织物场景下比较稳。

学习率策略上，我用过比较有效的一套是：前几轮线性预热，中间用余弦退火，最后几轮固定小学习率。织物缺陷的尺度普遍偏小，网络在训练前期容易只学到背景，所以预热阶段不要太长，否则容易陷入平凡解。批量大小受显存限制时，可以用梯度累积来等效大批次，这个技巧在小缺陷场景下对稳定性提升明显。

判断模型是否收敛，我不太看训练损失，主要看验证集上的几个指标：召回率、误报数（每百米或每千平方米统计）、以及定位精度的交并比。织物检测里召回率的优先级高于精确率，因为漏检一个真实缺陷的代价远高于多报几个疑点。所以我通常把置信度阈值调低，让模型多报一些，再用判定层去过滤。这个思路和很多通用检测任务相反，但更贴合产线实际。

5.3 从检测框到像素级定位的实现

有些客户要求给出缺陷的面积和形状，这就需要像素级的定位。我的做法不是在检测网络后面硬接一个分割头，而是两阶段：检测网络给出候选框，然后在候选框区域上跑一个小型分割网络做精细轮廓提取，再把轮廓映射回全图坐标。

这样做的好处是分割网络只在局部区域工作，输入尺寸小、计算量可控，而且可以用少量像素级标注样本单独训练，不需要全图标注。实测下来，两阶段方案的总耗时比单阶段全图分割低不少，精度也更好，因为局部区域会先做归一化，光照差异被消除了。

def refine_mask(crop_bgr, seg_model, input_size=256): h, w = crop_bgr.shape[:2] inp = cv2.resize(crop_bgr, (input_size, input_size)) inp = inp.astype(np.float32) / 255.0 inp = (inp - 0.45) / 0.225 # 按训练时的标准化参数来 prob = seg_model.predict(inp[None, ...])[0, ..., 0] mask = (prob > 0.5).astype(np.uint8) mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, np.ones((3, 3), np.uint8)) mask = cv2.resize(mask, (w, h), interpolation=cv2.INTER_NEAREST) return mask, float(prob.max())

把掩码换算成物理尺寸时，记住乘上空间分辨率。如果分辨率是 0.2 mm/pixel，掩码面积是 300 像素，那实际面积就是 300 × 0.04 = 12 平方毫米。外接矩形的长边乘以 0.2 就是缺陷长度。这个换算必须做，因为判定层用的是毫米，不是像素。

6. 产线部署：速度匹配与误报控制

6.1 处理速度的匹配计算与架构选择

先算清楚系统的算力预算，再决定架构。以前面的例子为例：幅宽 1800 mm，速度 60 m/min，分辨率 0.2 mm/pixel，行频 5000 行/秒。相机会以 5000 行/秒的速度持续输出图像，那么单帧处理时间上限就是 1 毫秒。这个要求相当苛刻，通用服务器上的深度模型很难做到。

实际工程里一般不会逐行处理，而是按块处理。常见做法是把 5000 行组成一个区块（对应 1000 mm 长度），也就是每 0.2 秒处理一个区块。这样单块的处理时间预算就有 200 毫秒，宽裕得多。区块之间要留重叠，因为缺陷可能正好跨在边界上。重叠量我一般取区块高度的 5% 到 10%，具体看缺陷的最大尺寸。

这是产线上非常重要的一个设计点。区块模式让推理和采集可以流水线并行——采集线程持续收图写入环形缓冲区，推理线程从缓冲区取块处理，结果写入队列由判定线程消费。三线程用生产者消费者模式解耦，任何一个环节的抖动都不会导致丢图。

算力选型上，如果是传统方法，普通工控机 CPU 就够；如果是中等规模的检测网络，一块中端 GPU 的推理能力通常在每秒几十到上百帧之间，按区块处理完全够用。我这两年的趋势是往边缘盒子走，好处是部署简单、功耗低、不需要机柜，代价是模型尺寸受限，需要用轻量化骨干网络。

落地时还有一个经常被忽略的问题：结果的时空对齐。缺陷在图像里的位置必须映射回布匹上的实际米数，才能让质检员找到它。这要求记录每一块图像对应的布匹长度，并在卷绕或打标环节把位置信息同步过去。我第一版系统就漏了这件事，结果检出的缺陷位置和实际对不上，质检员按位置找不到，直接不信任系统了。后来加上了编码器脉冲计数做长度同步，问题才解决。

6.2 误报控制的工程手段

误报是织物检测系统能否被产线接受的决定性因素。技术指标再漂亮，如果每分钟报十几个假缺陷，质检员两天就会把系统关掉。我总结的误报控制手段按性价比排序是这样的。

第一是多帧确认。同一个位置如果在连续 N 个区块里都被检出，才最终上报。织物缺陷通常会在长度方向上延续多个区块，而噪声引起的误报往往是单区块的孤立点，这一招能砍掉一大半误报。代价是上报有延迟，N 取 2 或 3 通常可以接受。

第二是缺陷类型的先验约束。比如破洞类的缺陷面积不会特别小，污渍类不会有锐利的直线边界，经向缺陷的长宽比必须大于某个值。把这些领域知识写成规则过滤器，效果立竿见影。

第三是分区域阈值。布边区域因为张力大、组织特殊，天然容易出现异常响应。我会对布边、布中、布尾分别设不同的阈值，或者干脆在布边区域用更严格的过滤条件。这个技巧在传统方法里尤其重要。

第四是模型集成的置信度融合。监督通道和无监督通道的结果做加权，只有综合置信度超过阈值的才上报。同一位置两路都报的，置信度自然高；只有一路报的，需要更高的单路置信度。这套融合逻辑我写成了一个可配置的打分函数，现场调参非常方便。

提示：调误报的时候一定要同步记录召回率。我见过为了压误报把阈值一路调高，最后误报是没了，真实缺陷也全漏了，系统成了摆设。正确做法是画一条 P-R 曲线，选在召回率满足要求的拐点上。

7. 常见问题速查与排查思路

实际项目里遇到的问题，八成集中在几个固定位置。我把它们整理成表，方便对照排查。

排查的基本思路是先定位问题层级。我习惯按"先看图像，再看特征，最后看模型"的顺序走：如果原始图像本身就有问题（条纹、亮度不均、失焦），那算法层面怎么调都没用；图像正常但特征图上异常区域不对，问题在预处理或特征提取；图像和特征都正常但结果不对，才是模型或规则的问题。这个顺序能省掉大量无用功。

有几个坑我印象特别深。一个是相机触发信号的接地问题，相机和光源分接在不同回路的电源上，地电位差导致触发抖动，图像上表现为随机位置的错行。解决办法是统一接地或者用光耦隔离触发。另一个是相机镜头的对焦漂移，车间温度变化会让镜头轻微离焦，虽然图像看着还清楚，但高频纹理细节已经丢了，而织纹恰恰是靠高频信息判断的。我们现在固定三个月做一次对焦校验，用标准靶标拍一张看清晰度指标。

还有一个是数据漂移的长期管理问题。纺织厂换季节、换原料供应商、换助剂，都会让布面外观发生细微变化，模型的表现会慢慢衰减。我建议在系统上线后持续保存抽样图像，每周统计一次特征分布，一旦发现偏离就触发增量训练。这个习惯能让系统稳定运行几年，而不是半年后就开始频繁报错。

8. 一些实战中攒下来的经验

关于方法选型，我的核心观点是不要迷信单一技术路线。传统方法在规则纹理上是利器，监督学习在已知缺陷上精度高，无监督方法能兜住未知异常，把这三者组合起来，用统一的判定层做融合，是我目前认为最稳的架构。任何单一路线都会在某个角落翻车，而组合方案的冗余度能把这些坑填上。

关于精度指标的设定，我劝大家不要一上来就追求百分之九十九。真实的产线需求是"不漏掉客户会投诉的缺陷，同时别让质检员烦到关掉系统"。这两个条件往往对应一个相对宽松的技术指标。我在项目启动时通常会跟客户约定一个可接受的误报密度，比如每千米不超过十个，然后以这个为约束去最大化召回率，而不是反过来。这个思路的调整会让整个项目的优先级清晰很多。

关于投入分配，如果重新做一个项目，我会把时间这样分：成像方案验证两周，数据规范和标注四周，算法开发六周，产线联调和误报优化八周。很多团队把顺序倒过来，先花两个月憋模型，最后发现成像不行要换相机，全部返工，这是最亏的。成像先行这件事，值得在项目计划里用粗体标出来。

关于长期维护，我强烈建议从第一天就把所有上报结果、对应图像、以及质检员的人工复核结论完整落库。这批数据是后续一切改进的基础。模型迭代、阈值调整、新缺陷类型发现，全都依赖它。我见过不少系统因为没有存复核结果，运行一年后想优化却没有任何可靠的评估依据，只能重新开始标注，这个代价太大了。

最后一个操作细节：判定层的参数一定要能在线改，而且不改代码就能改。产线切换订单是常态，不同订单的判定标准不一样，如果每次都要改代码重新部署，运维根本扛不住。我现在的做法是把判定规则写成配置文件，改完热加载生效，同时记录每次配置变更的时间和操作人。这个小设计在后期省下了数不清的沟通成本。