來源：無損檢測NDT
在工業視覺檢測領域，"準確率99.9%"的宣傳口號往往遭遇產線老師傅的冷笑。當算法工程師陶醉于模型指標時，產線主管卻在計算：0.1%的漏檢意味著每小時產生5個不良品，這些缺陷產品流入市場將造成怎樣的質量事故。這個認知鴻溝，正是無數視覺項目折戟沉沙的根源。
需求陷阱：客戶永遠不會說出全部真相
技術要求中要求100%準確率的荒誕訴求，本質上是客戶對AI技術邊界的無知。在半導體晶圓檢測現場，我們曾遇到客戶要求同時檢測0.1 μm級缺陷和5 mm級劃痕。深入產線觀察后發現，實際工藝控制水平根本不可能出現5 mm劃痕，這個"需求"其實是客戶對過往質量事故的應激反應。
有效需求挖掘需要：
駐場觀察：連續3天記錄人工檢測員的誤判案例；
缺陷解構：建立缺陷物理特征與圖像表現的映射關系；
成本核算：將檢測標準轉化為質量損失函數。
光學難題：當物理世界拒絕數字化
光學設計困局在3C行業尤為典型。某手機中框檢測項目初期采用環形光源，在30°傾角下完美呈現劃痕。但在量產時發現，不同批次的陽極氧化表面粗糙度差異導致成像對比度波動超過40%。最終解決方案是定制多波段偏振光源，配合自動曝光補償算法。
光學設計三原則：
特征強化：使目標缺陷與背景的灰度差異最大化；
環境免疫：建立照度-材質-角度的魯棒性模型；
容差設計：預留20%以上的參數調節裕度。
數據煉獄：標注標準比算法更重要
"相同樣本不同結果"問題，本質是標注規范缺失。在鋰電池極片檢測項目中，我們建立了三級標注標準：
Level 1：明確缺陷（尺寸>0.5 mm，對比度>30%）
Level 2：可疑缺陷（需X射線復核）
Level 3：工藝波動（記錄但不報警）
通過分級管理，將算法不確定區域縮小了83%。
算法困局：在理想與現實之間走鋼絲
超參數困境源于對深度學習的誤解。某汽車零部件檢測項目采用“傳統算法+CNN”混合架構：
傳統算法過濾95%的正常區域
CNN聚焦處理5%的疑似區域
決策引擎綜合光學特征、工藝參數進行最終判定
這種架構將可調參數控制在3個以內，且每個參數都有明確的物理意義。
落地驚魂：最后一公里的生死考驗
人機交互斷層極具警示意義。某衛浴產品檢測系統部署時，我們設計了：
物理按鈕標注：替代鍵盤鼠標操作；
聲光提示系統：用不同顏色/頻率指示檢測狀態；
防誤觸機制：雙擊確認+物理急停開關。
這些設計使50歲以上的檢測員平均培訓時間縮短至15分鐘。
