两个指标，客户只盯了一个
客户做紧固件，客户投诉不断，想上视觉质检。开会时他们张口就问准确率多少，我打断说：先说清楚漏检率和过检率的上限。准确率99%听起来漂亮，可一万件里漏掉100件不良品流到客户手上，照样赔钱。
我们的目标定成：漏检率低于0.5%，过检率低于5%。这两个数直接决定要不要加复检工位。
光源比算法重要
前期一个月几乎全在调光。螺纹上的划痕在同轴光下看不见，在低角度环形光下很明显。换了四种光源方案，测试了1200张图，才把特征稳定下来。厂商说算法能解决一切，事实是光照环境不稳，再深的网络也白搭。
样本是最大的坑
不良样本稀缺，初期只有不到300张划痕图。我们一边产线收一边做数据增强，把反光、油污、混料都做成独立类别。训练集凑到近万张之后，模型才稳。
上线三个月后的数：漏检率从原来人工全检的2.3%压到0.4%，过检率11%降到3%。直接效益是质检岗从9人减到4人，加上减少的客户索赔和返工，一年约省170万。整套视觉加产线改造投入68万。
上线后别撒手
视觉系统有个毛病：模具磨损、批次更换后特征会漂。我们留了每周抽检200件回灌模型的机制。这个动作不做，半年后漏检率会悄悄爬回去。自动化质检最怕的不是不准，是不准了没人知道。
过检率背后的隐性成本
再说说过检。很多厂只盯漏检，其实过检的代价经常更大：良品被误判成不良，返工、复检、报废，还得罪供应商。他们初期过检率11%，复检工位堆成山，两个复检员天天加班。
我们的处理办法是双阈值：判定确凿的直接放行或拦截，处于灰区的自动推给复检工位。灰区宽度按周调整，目标是把复检量控制在总量的4%以内。三个月后过检率降到3%，复检员从两个减到一个。质检自动化的经济账，漏检算的是索赔，过检算的是效率，两边都要算。
最后提醒一句供应商选择。别只看演示效果，要带自己的不良样品去测，测满一周再谈合同。我们筛掉两家候选，都是因为换个批次特征就不稳。视觉质检是和现场环境深度绑定的系统，选型时的严谨程度，决定上线后要吵多少架。