企业官网建设流程全解析

1. 项目背景与行业痛点：转子质检升级的必然逻辑

电机转子是各类电机中最核心的旋转部件，它直接决定了电机的运行效率、噪音水平、振动特性和使用寿命。无论是伺服电机、永磁同步电机还是三相异步电机，转子的加工质量都直接影响整机性能。我在工业质检领域做了大量类似项目后发现，转子检测这一环节，很多工厂到今天都还在用人工肉眼检测的方式。一批转子从数控车床、磨床下来，人工拿起来转一圈，看有没有划伤、崩角、砂眼，然后用塞规或者气动量仪测一下配合尺寸。这种传统方式的问题不仅在于长期视力疲劳容易漏检，更严重的是效率和品控标准根本无法统一。

近两年制造业普遍面临人力成本上升和产能爬坡压力，很多电机厂商开始把目光转向机器视觉方案。机器视觉在工业缺陷检测上有一个天然的优势——检测过程非接触、速度快、重复性高，还能把检测数据自动归档到MES系统。相比人工目检，视觉检测可以稳定做到0漏检（配合良品阈值设置），而且检测节拍可以跟着产线速度走，不会因为检测员疲劳而产生效率波动。

类似"基于机器视觉的电机转子缺陷检测应用"这类项目，本质上就是要建立一套针对转子生产线的自动质检系统：通过工业相机采集转子表面图像，利用图像处理算法识别缺陷区域，最终完成OK/NG判定。它解决的绝不仅是"代替人眼"这一个层面的问题，而是把质检变成产线上的一个数据节点，为工艺改善提供可追溯的缺陷数据。

这篇内容适合几类读者：一类是工厂端的设备工程师、工艺工程师，正在评估或推进视觉检测改造；另一类是机器视觉集成商的项目工程师，需要一套可以复用的转子检测项目设计思路；还有一类是想了解真实工业落地项目如何思考、如何避坑的学生或转行者。看完你应该能对这类项目的硬件选型、打光设计、算法框架和交付实施有一个完整、清晰的认知。

2. 检测需求分析与技术方案设计

2.1 转子缺陷类型与成像特征梳理

做视觉检测项目，第一件事不是选相机，而是先搞清楚要检测哪些缺陷、每种缺陷在图像上长什么样、有多大。转子常见缺陷主要包括这几类：

• 划伤/拉伤：多出现在转子外圆表面，呈细长线性纹理，方向一般与磨削方向一致，深度可能只有几十微米，但在特定光源下会有明显的灰度跳变。这类缺陷是视觉检测中最常见也最考验打光技巧的，因为微浅划伤的对比度往往很低。

• 崩角/磕碰：出现在转子端面边缘或者轴肩倒角处，表现为局部材料缺失，边缘轮廓产生缺口，面积从零点几平方毫米到几平方毫米不等。这类缺陷相对容易识别，但难点在于要区分是真正的缺陷还是正常的工艺倒角。

• 砂眼/气孔：加工表面出现的小孔洞，在铸铝转子和粉末冶金转子中比较多见，形状近似圆形或椭圆形，内部灰度明显低于周围区域。转子表面如果属于球墨铸铁或铸铝，这种缺陷占比很高。

• 毛刺/铁屑残留：精加工后边缘残留的微小金属凸起或附着颗粒，在图像上表现为局部高亮（金属反光）或不规则凸起。它的检测难点是尺寸极小，且与合格品的光亮表面在灰度上容易混淆。

• 锈蚀/氧化色斑：转子存放或清洗干燥不彻底导致的表面变色，区域形状不规则，颜色从黄色到暗红色不等。这类缺陷在灰度图像上与正常表面的区分不够稳定，因此需要彩色工业相机配合。

• 尺寸超差（外径、轴长、槽宽等）：虽然主要靠量具，但视觉可以通过边缘检测算法做在线预筛。这部分通常用面阵相机加远心镜头后面再单独聊。

以上缺陷在硬件方案上的表现是不一样的：线性划伤要靠低角度打光强化轮廓阴影，崩角和砂眼要看面积和灰度区域，锈蚀要依赖彩色信息，毛刺要谨慎处理高光和阴影的区分。所以转子检测项目通常不会是"一套打光方案从头照到尾"，而是要按检测部位和缺陷类型分区设计，这也是很多刚入行的工程师容易忽视的地方——他们喜欢一套光源想解决所有问题，结果往往是单一缺陷能看清、其他缺陷全是误检。

2.2 成像链路选型逻辑：相机、镜头、光源怎么搭配

转子检测场景里，最常见的两种工业相机是面阵相机和线阵相机。区别在适用场景上很明显：如果转子是静态拍（机械手夹持到检测位，停稳后拍照），或者转子可以匀速旋转并触发连拍，那么用面阵相机就够了。线阵相机则更适用于转子高速旋转、不停机连续扫描的场合，它可以把圆周面展开成一张矩形图，缺陷形态更直观，但线阵方案对运动机构的匀速性和编码器同步要求很高，调试周期更长。对大多数中小批量生产场景，我倾向于推荐面阵相机+旋转工位的方案——系统复杂度低、环境适应性好、后续维护也更简单。

相机分辨率的选择要结合检测精度要求与视野大小来计算。比如转子外圆直径80mm，轴向拍摄长度120mm，那么视野范围至少取140mm×100mm。如果要求识别最小缺陷是0.1mm×0.1mm（这在磨削划伤检测中很常见），考虑稳定性，实际像素精度要留不低于5倍的余量，即单像素对应物理尺寸约0.02mm。那么对应分辨率就是：140mm÷0.02mm=7000像素，100mm÷0.02mm=5000像素，也就是说需要7000×5000级别分辨率，折算下来就要采用两台相机拼接或者用一只高分辨率相机。如果嫌成本高，可以把检测节拍放宽，用转台分多个角度分区拍，这样单次视野缩小，相机分辨率可以大幅降下来。

这里插一个经验性的内容：转子检测项目中，镜头选型的重要性被低估得厉害。很多工程师把精力放在算法模型上，等到现场发现成像模糊或者畸变过大，才回头去改硬件。实际上，对于转子外圆的展开检测，普通工业镜头会造成边缘畸变，导致环形区域展开后尺寸失真，对划伤的长度评级会有很大影响。所以这类项目推荐优先考虑远心镜头或者低畸变FA镜头，尽量保证画面中心和边缘的放大倍率一致。远心镜头还能有效规避转子弧面带来的离焦问题，尤其是外圆曲面在直射光下的高光区域问题，远心光路能显著改善。

光源方面，转子检测大致有四种经典打光思路。

第一种是低角度环形光，光源以接近工件表面的角度照射，微小的凹凸和划伤会产生明显的阴影效果，这对划伤、拉伤类缺陷非常灵。但低角度环形光的缺点是容易把合格品表面的刀纹、磨削纹也照出来，产生大量假缺陷。因此现场一定要调光源高度和照射角度，做到"该亮的亮、该隐的隐"。

第二种是穹顶光源或漫射光源，光线经过漫反射板均匀照在转子表面，消除反光，对崩角、砂眼这类靠灰度面积识别的缺陷效果稳定。它的缺点是对于极浅的划伤不够敏感。

第三种是条形光源或多角度分区光源，适合检测端面、轴肩和键槽区域。因为这些部位几何结构复杂，单一光源很容易产生阴影遮挡，分区打光可以把不同角度的细节分别呈现出来。

第四种是结构光/激光方案，主要用于检测平整度或特定几何特征，但这种方案在转子缺陷检测中不多用，成本偏高，大多是专检测平行度或平面度才上。

彩色相机的选用也要提一下。如果检测项中包含锈蚀、色斑、氧化变色，那最好直接上彩色面阵相机，配合RGB三通道分别做阈值分割和形态学处理。若只用黑白相机，锈斑轻微时灰度值和正常面非常接近，算法难度几何级上升。

2.3 系统架构与工位布局设计

一个完整的转子视觉检测工位，通常由5个部分组成：上料定位机构（V型块、气动夹爪或机械手）、旋转驱动机构（伺服电机+减速机+编码器）、成像单元（相机、镜头、光源）、控制与触发单元（PLC、IO触发模块）、视觉处理单元（工控机或嵌入式平台）。整套系统的逻辑关系是：PLC检测到转子到位后，给视觉系统发送触发信号，相机在指定角度采集图像序列，工控机跑图像处理算法，输出OK/NG结果并把数据通过TCP/Modbus协议回传给PLC，PLC根据信号把转子分流到不同料道。

在设计工位时，有一个容易被忽略的细节——每个转子来料的位置重复精度。如果转子在V型块上定位不准，转一圈拍照的时候，起始角度不一样，图像拼接和配准就会出问题。哪怕只是1mm的位置偏差，在某些高分辨率镜头下也能造成几十到上百像素的整体偏移，直接影响缺陷定位和分类准确性。所以视觉工程师在审图时就要向机械工程师提出重复定位精度要求，通常要控制在±0.3mm以内，同时配合标志点（键槽或端面刻印）做角度起始校正。

工位布局还涉及防尘防振问题。转子磨削之后有大量金属粉尘，如果不做防护，镜头和光源表面很快就废了。常见做法是：光源和镜头安装在一个密封防护罩内，通过光学玻璃窗口取景，窗口带正压气幕或定期清洁结构；相机和工控机放在产线外侧的控制柜中，控制柜配风扇过滤棉。车间振动是另一个问题，安装支架尽量避开冲床、剪板机等大振动源，必要时加减振垫。

3. 图像采集系统搭建与标定实操

3.1 旋转采集方案与编码器同步

转子外圆圆周面很长，单个视野覆盖不完全，通常采用"转子固定、相机不动、转子旋转"的方式采集多张图像，再通过算法拼接或者逐区域独立分析。这里有个关键选择：触发相位怎么同步。常用方案有两个。

方案一：固定角度触发。PLC让伺服电机带动转子旋转，每旋转固定角度（如30度或45度），电机编码器发出脉冲信号，通过硬件触发线直接触发相机拍照。这个方式优点是角度位置精确、图像相互之间重叠少、成像亮度均匀；缺点是硬件接线和参数匹配要求高，编码器分频要算清楚，相机帧率要和旋转速度匹配好，不然会掉帧或者图像模糊。

方案二：自由旋转连续采集。转子以恒定速度转动，相机用较高的采集帧率不停抓图，然后算法靠特征（比如键槽位置、倒角边缘）做图像配准和裁剪。这个方式的优势是结构简单，不需要编码器硬同步，对老旧产线改造特别友好；缺点是同一段表面可能被抓多次，算法需要去重，光照随圆周变化也会影响亮度一致性，后续图像预处理工作量略大。

我在实际项目中更常用方案一，理由只有一条：硬件同步比算法补偿可靠得多，现场调试可以更节省时间。工业现场条件复杂，算法里过多增加"软同步"逻辑往往意味着维护困难。

3.2 标定流程与像素当量的确定

视觉检测最忌讳"大概差不多"——缺陷长0.3mm就是长0.3mm，不能靠感觉。因此在正式跑检测前，必须做相机标定。具体流程包括：

1. 棋盘格标定板拍摄与畸变校正。用张正友标定法得到相机内参和畸变系数，做去畸变处理。这一步主要目的是消除镜头径向畸变和切向畸变，尤其是使用普通FA镜头的时候。棋盘格标定板要贴在完全平整的平面上，不能用卷曲的打印纸。

2. 像素当量标定。把已知尺寸的标准量块（或特制标定环）放在工件相同高度位置，拍一张图，量出标定件上两个特征之间的距离占用多少像素，从而计算每个像素对应的物理尺寸。这里要注意，标定件必须被放置在同一焦平面——如果标定件和真实工件的表面高度不一致，算出来的当量值是错的，检测精度自然无从谈起。

3. 角度触发标定。如果采用多角度分区检测，需要先确定转子的相位零点和键槽位置。实际做法是：手动旋转转子到键槽朝正上方，记录编码器Z相脉冲位置，把这个角度定义为0度，后面所有角度触发都从这个基准计算偏移。

标定不是做完一遍就结束的工作，日常维护中必须加入定期复核。因为光源衰减、镜头松动、机械振动都会导致图像尺度微变。我通常建议产线每天开班前跑一遍"标准件验证程序"，发现像素当量漂移超过1%就要停机重新标定。这个习惯能帮你避免大量莫名其妙的误判和漏判。

3.3 光源亮度与曝光参数的经验调法

打光参数调整是最费现场时间的一环。我总结了一个"三步走"的经验打法：

第一步，定曝光。先把光圈开到中间值，曝光时间设一个中间值（比如在600nm波长下，黑白相机通常取5-10ms），手动调整光源亮度让图像整体灰度均值落在180-200左右。工业检测的图像，亮部不要过饱和到255，暗部不要压到0以下，保留灰阶动态范围很重要。

第二步，看对比度。拍摄若干块标准良品件和标准缺陷件，观察缺陷区域与正常区域灰度差。如果缺陷不明显，优先动光源角度和高度，而不是去调算法阈值。光源角度改变对缺陷对比度的影响远大于软件处理，所以现场常说"算法不够，打光来凑"。

第三步，查重复性。同一工件放上放下来回拍20次，统计同一个像素位置的灰度波动范围。波动超过±10灰度值的，考虑环境光干扰或工件定位不稳，需要优化防护罩遮光或机械定位精度。这一步直接决定了后面算法稳定性的上限。

4. 缺陷检测算法框架与核心实现

4.1 图像预处理：滤波、校正与残差计算

采集到的图像一般不会"干净"到可以直接处理。转子表面存在磨削纹路、材料纹理、反光不均匀等正常特征，这些都会干扰缺陷检测。图像预处理的目标就是在保留缺陷信息的前提下，尽可能压制正常纹理造成的干扰。

常用做法是：

• 中值滤波或双边滤波去噪声：转子上存在颗粒、灰尘附着带来的椒盐噪声，这类噪声如果不处理，会被误判成砂眼光点。中值滤波对椒盐噪声有奇效，但要控制核大小，太大会连带把细小的真实缺陷抹掉。双边滤波适合保留边缘细节，但运行速度相对较慢。

• 背景校正（平面场校正）：转子弧面在平面成像后，中心亮、边缘暗，光照分布不均匀。可通过采集多张不同角度纯背景图像做均值，然后在算法中做逐像素背景差分，得到"残差图像"。缺陷区域在残差图中表现明显，正常纹理被极大削弱。这是目前工业视觉中很经典、也极为实用的一步。

• 同态滤波或直方图均衡化增强对比度：强反光导致的动态范围压缩可以用同态滤波在频域上补偿。直方图均衡化的适配性要谨慎，全局直方图均衡容易放大噪声，通常只做局部自适应版本（CLAHE），而且只建议在对比度不足时使用。

预处理参数的选择以"让缺陷可见，让噪声不可见"为唯一标准。具体数值因图像而异，不做固定推荐，但建议在实验阶段就写一个参数配置文件，把所有预处理参数集中管理，方便不同产品切换。

4.2 缺陷分割算法：传统方法与深度学习的取舍

转子缺陷分割大致两条路线：传统图像处理算法和深度学习语义分割/目标检测。我的个人经验是，对于转子表面缺陷检测，传统算法在相当多场景下仍然是首选，尤其是当你面对的是灰度特征分明、几何形态基本固定的缺陷。

传统方法的核心是阈值分割加形态学分析：

1. 对残差图做自适应阈值化，提取潜在的暗缺陷或亮缺陷。阈值可以由灰度均值和标准差自适应计算，也可以在每个局部窗口单独计算。

2. 用连通域分析筛掉颗粒状噪点，记录每个连通域的面积、周长、长宽比、Hu矩等特征。

3. 根据实际缺陷库设定判定规则。例如砂眼判定条件为：面积在0.05-5mm²之间，圆形度大于0.5，灰度低于周边均值80以上；划伤判定条件为：长宽比大于10，主方向与磨削方向夹角小于30度，长度超过设定值。

深度学习方案的优势在于语义理解和复杂缺陷的分类，尤其是遇到软性缺陷（如轻微压痕、非典型色斑）以及需要综合上下文判断的场景。可以用轻量级分割网络（如UNet的紧凑变体）做像素级缺陷分割。但深度学习落地有一个大前提：需要大量带标注缺陷样本。转子缺陷样本不像公开数据集那么好找，工厂里的历史不良品存量有限，而且缺陷种类之间数量很不平衡。我见过不少项目因为训练样本不足，模型在实验集表现不错，一到现场就出现各种预料之外的误检。因此这里给出一个务实的建议：可以用传统算法做好确定性缺陷检测，把稳拿的缺陷全部筛掉，只把"模糊地带"的候选图像交给深度学习模型做二次分类。这种"传统+AI"级联方案在工业落地中的稳定性和可维护性是最好的。

4.3 转子端面与外圆区域的差异化处理

转子的外圆面和端面缺陷在成像特性上差异很大，不可能用同一套算法参数包打天下。外圆面是弧面，反光强、纹理方向性明显，重点检测划伤、砂眼，适合用低角度光+高对比度分割。端面相对平整，加工痕迹多同心圆状，重点检测崩角、磕碰和毛刺，适合用穹顶光均匀照明+边缘梯度分析。

崩角检测的独特之处在于它发生在边缘轮廓上，不能只靠面积分割。实践中我会采用"轮廓拟合+差影法"：首先提取端面外圆轮廓，做最小二乘圆拟合，然后计算轮廓上的点到拟合圆的距离残差序列。若某个连续弧段内残差值超过阈值且宽度有数像素，就判定为崩角。这种方法的物理意义很清晰，不容易被表面纹理干扰。只有个别情况下，如果转子端面带有不规则散热筋或平衡槽，轮廓拟合会变得复杂，此时需要在算法中把筋和槽的位置做掩膜排除。

尺寸检测部分可以和缺陷检测共用同一套图像。例如在图像中检测转子外圆两端边缘，通过像素当量计算外径。但需要补充说明的是，这类尺寸检测不建议用普通工业镜头做高精度测量，镜头畸变和安装误差会吃掉很大精度，最好如果主检测目标是缺陷，尺寸测量只做辅助参考即可。

4.4 判定逻辑与缺陷分类输出

在实际软件系统中，缺陷检测结果不能只输出"OK/NG"，这样不利于产线做工艺追溯。合理的输出结构至少包含四层信息：缺陷类型（划伤/崩角/砂眼/毛刺/锈斑）、缺陷位置（周向角度和轴向位置）、缺陷尺寸（长度、面积、最大宽度）、缺陷图像（裁剪或标注的缩略图）。

判定逻辑的设计上，要分"致命缺陷"和"轻微缺陷"两级。致命缺陷（如崩角超过0.5mm、贯穿划伤、气孔超过2mm）直接判NG；轻微缺陷（如极浅发丝纹、直径小于0.1mm的点状瑕疵）可以报警但判OK，交给工艺人员终审。这样设计的原因很简单：完全零缺陷的判定标准会让产线误杀率飙升，调试期能跑一整天都停线。从质量管理角度，明确"可接受缺陷等级"本身也是制程控制的一部分。这个标准要在项目启动时就和工艺部门确认清楚，写成检测规格书，而不是算法人员自己拍脑袋。

图谱归档也不可少。每个被测转子的检测数据自动存入本地数据库或上传到MES，生成唯一的序列号。当后续电机运行中出现质量客诉时，可以反查该转子当天检测图像和缺陷参数，这一步在供应商审核和质量追溯中非常加分。

5. 软件系统与界面落地要点

5.1 视觉软件框架与模块划分

工业视觉软件通常可以按功能划分为三块：图像采集模块（相机控制、触发管理、图像缓存）、算法处理模块（预处理、分割、特征提取、分类判定）、业务交互模块（参数配置、结果展示、数据上传、用户权限）。开发语言上，行业内最常见的是C++搭配机器视觉算法库，底层走GPU加速；也有不少团队直接用C#开发界面、C++写算法核心做混合编程。对于产线规模不大、需要快速交付的项目，基于Python的开发方案也完全可行，配合推理加速，完全可以满足节拍需求。

这里有一个容易被低估的模块：参数配置管理。转子型号可能不止一种，不同型号的直径、长度、表面材质、检测项可能都不相同。如果每换一个产品就要去改代码，那项目基本无法维护。所以系统必须提供一个界面化的配方管理功能——把光源亮度、曝光时间、检测区域ROI、缺陷判定阈值全部固化到"产品配方"里，操作人员一键切换型号，系统自动加载对应的参数组。这项设计会在后续试产和小批量生产中省下大量时间，也是客户衡量项目成熟度的一个重要标准。

5.2 界面交互设计的实用原则

界面不需要花哨，但必须符合现场操作员的习惯。主界面建议采用"实时图像+检测结果列表+统计数据"三栏布局。实时画面让操作员能看到当前正在检测的转子图像；结果列表列每个缺陷的详细信息；统计区显示当天检测总数、良率、各类缺陷占比，帮助产线快速了解质量波动。

设置界面要分权限。操作员只允许切换产品型号、查看结果、手动触发复位；工艺工程师权限可以调整检测参数、设置良品判定标准；管理员权限管理用户、系统配置和标定数据。这个设计既保证现场调整灵活性，又防止误操作引发质量问题。

日志系统是排查问题的利器。软件运行过程中所有关键事件都应记录日志：采集卡异常、通信超时、参数修改记录、算法运行耗时、判定结果等。现场调试时经常需要回溯"当时发生了什么"，一份规范的时间戳日志能极大提升排查效率。

5.3 通信协议与产线集成方案

视觉系统要接入产线，必须与PLC通信。主流的接口方式是：TCP/IP或Modbus TCP走以太网，简单可靠且布线方便；老设备则可能用RS232或模拟IO。协议内容通常包括：触发信号（PLC给视觉）、完成信号（视觉给PLC）、判定结果（OK/NG）、以及握手/错误信号。

机器到手以后，第一件事就是确认通信协议的格式定义。最常见的坑是字节序和数据类型不一致——PLC里一个16位整数在视觉系统里读成32位，或者大小端不对，轻则数据显示错误，重则触发混乱导致产线停线。所以双方最好在开发前就写一份《接口通信协议文档》，逐字节定义每个信号的含义、类型、更新频率。协议文档比代码更值钱，这句话在产线集成交付时尤其真实。

6. 现场实施与联调常见问题速查

6.1 硬件安装与环境适配

在项目进入现场联调阶段，最先遇到的往往不是算法问题，而是硬件和环境的匹配问题。以下几点是踩坑频次最高的区域，提前关注能帮你少加很多班：

• 相机与光源的安装位置在调试后必须做机械定位锁死。很多项目在实验室效果很好，一到产线跑两天就出现图像模糊、视野漂移，原因就是相机支架的紧固螺钉在振动中松动。所有调节机构在确定最终位置后，建议打记号点或者加装防松垫圈。

• 外部环境光的影响极其容易被忽略。车间的顶部照明、窗户透射的自然光、甚至附近焊接工位的弧光，都可能对图像灰度造成周期性扰动。防护罩的遮光结构要有余量，不能用几条黑布条将就。如果条件受限无法完全遮光，至少要在算法中加入环境光补偿，采集一张无工件背景图做实时背景差。

• 现场供电质量同样值得关注。工业产线上大功率设备启停会引起电压波动，可能导致相机或光源供电不稳。视觉系统的供电建议单独从UPS或者稳压电源取电，并和电机驱动供电分开布线。这是一个便宜但非常有效的稳定性改进。

6.2 节拍与性能优化

转子检测的节拍最终要跑在产线节拍以内。如果产线节拍是20秒一件，视觉检测在15秒内必须完成，并且要预留缓冲时间。影响检测耗时的关键点有三个：图像采集数量、图像分辨率、算法复杂度。

实测一个800万像素级别的相机采集12张图，加上预处理、分割、判定和结果上传，单件耗时通常能控制在3-5秒。如果节拍要求更快，就要做以下优化：

• 降低采集张数或者裁切ROI：只在缺陷高发区域布置高分辨率检测，其余区域做低分辨率快速筛查。

• 图像缩放金字塔：整图先做缩小版的粗检测，发现可疑区域后再在原图中精检。这个策略能在保证检出率的同时大幅降低计算量。

• 并行流水线处理：采集、算法处理、结果上传三段做成流水线模式，当前工件的算法处理与下一工件的图像采集并行执行。

性能优化要建立在数据基础上，先做耗时统计，找出真正瓶颈，再去针对性优化。不要盲目上GPU或多线程，先确认CPU占用分布，通常是预处理占大头，分割次之，判定和通信消耗很小。

6.3 误检与漏检的定向排查方法

误检率和漏检率是客户最关心的两个KPI。当现场指标不达标时，我先不看算法，而是回到数据里面做定向分析。首先要收集一段足够长的现场图像（至少几百个样本），分成四类：真OK被误判NG（过杀）、真NG被判OK（漏检）、真NG判断NG（正确）、真OK判断OK（正确）。然后针对性地去看误检和漏检样本的共性。

如果误检集中在某一类图像特征上（比如油渍、指纹、水迹），往往说明预处理环节对这类干扰抑制不足，或者打光方案对这个区域不友好。如果漏检集中在灰度对比度很低的缺陷上，要考虑换光源角度或增加一个偏振光通道。

这里有一个最典型的案例：某次转子磨削车间调试，算法在实验室测试时检出率在99%以上，现场一跑就掉到95%。排查后发现原因是车间的切削液雾气附着在转子表面，形成了一层均匀的油膜，导致图像对比度整体下降。当时现场临时采用了增开吹气干燥装置、调整光源角度避开油膜反光、并在算法中增加油膜灰度补偿，三个措施叠加后检出率才恢复。这个案例说明，现场环境对成像的影响远大于大多数工程师的预判，一定要留足现场联调时间，不要指望实验室参数一次通过。

6.4 日常维护与周期标定清单

视觉检测设备的长期稳定性有赖于日常维护。这里列一份我在项目交付时总会写进维护手册的清单：

• 每日：运行前用标准件做快速验证，检查系统状态和通信正常，清洁光源窗口和镜头表面（视粉尘情况至少一次）。

• 每周：检查相机和光源安装是否松动，检查线缆接头是否有磨损，记录光源亮度驱动值（发现亮度明显衰减要提前更换光源，因为LED光源老化后光谱和亮度都会漂移，直接影响算法稳定性）。

• 每月：做一次完整的标定，包括像素当量复核、畸变参数复核、角度零点复核；检查防护罩密封性和正压气路是否通畅。

• 每季度：对算法检测性能做一次离线评测，用保存的标准数据集跑一遍，对比历史检出率指标，确认没有发生性能退化。

维护清单的意义在于把"出了故障再抢修"变成"提前预防避免故障"，这在工业项目中往往是口碑差距的根源。

7. 项目效果与经验复盘的几点实在话

这类基于机器视觉的电机转子缺陷检测应用落地后，带来的直接效果通常集中在三个维度：一是质检效率的大幅提升，视觉检测稳定跟上产线节拍，不再积压待检品；二是漏检率显著降低，人工目检受疲劳和主观因素影响，漏检率在1%-5%左右波动，视觉系统可以把漏检率稳定控制在0.3%以下；三是质量数据完整留存，为后续工艺改善和客诉追溯提供了有力支撑。

就我个人在类似项目中的体会，最想提醒同行的一句是：视觉检测项目的核心功夫在成像端，而不在算法端。算法算法再厉害，图像上没有对比度，一切都是空谈。很多团队前期把大量精力投入模型调参，结果到了现场不如花两天时间重新设计一个打光角度。视觉检测的"天花板"是由物理成像决定的，算法只是在想办法逼近这个天花板。

最后一件事是团队配置上的建议：现场实施至少要有一个懂PLC和机械的工程师，一个懂视觉算法的工程师，两个人配合才能高效排查问题。纯算法团队去现场做工业项目，往往会在电气、通信环节卡很久，这不是算法能力问题，而是知识带宽的问题。项目交付后，也一定要给客户操作人员做足培训，把"什么参数能调、什么参数不能动"讲清楚，让设备在一个可控范围内稳定运行，这才是项目生命力的根本所在。