来源：无损检测NDT
在工业视觉检测领域，"准确率99.9%"的宣传口号往往遭遇产线老师傅的冷笑。当算法工程师陶醉于模型指标时，产线主管却在计算：0.1%的漏检意味着每小时产生5个不良品，这些缺陷产品流入市场将造成怎样的质量事故。这个认知鸿沟，正是无数视觉项目折戟沉沙的根源。
需求陷阱：客户永远不会说出全部真相
技术要求中要求100%准确率的荒诞诉求，本质上是客户对AI技术边界的无知。在半导体晶圆检测现场，我们曾遇到客户要求同时检测0.1 μm级缺陷和5 mm级划痕。深入产线观察后发现，实际工艺控制水平根本不可能出现5 mm划痕，这个"需求"其实是客户对过往质量事故的应激反应。
有效需求挖掘需要：
驻场观察：连续3天记录人工检测员的误判案例；
缺陷解构：建立缺陷物理特征与图像表现的映射关系；
成本核算：将检测标准转化为质量损失函数。
光学难题：当物理世界拒绝数字化
光学设计困局在3C行业尤为典型。某手机中框检测项目初期采用环形光源，在30°倾角下完美呈现划痕。但在量产时发现，不同批次的阳极氧化表面粗糙度差异导致成像对比度波动超过40%。最终解决方案是定制多波段偏振光源，配合自动曝光补偿算法。
光学设计三原则：
特征强化：使目标缺陷与背景的灰度差异最大化；
环境免疫：建立照度-材质-角度的鲁棒性模型；
容差设计：预留20%以上的参数调节裕度。
数据炼狱：标注标准比算法更重要
"相同样本不同结果"问题，本质是标注规范缺失。在锂电池极片检测项目中，我们建立了三级标注标准：
Level 1：明确缺陷（尺寸>0.5 mm，对比度>30%）
Level 2：可疑缺陷（需X射线复核）
Level 3：工艺波动（记录但不报警）
通过分级管理，将算法不确定区域缩小了83%。
算法困局：在理想与现实之间走钢丝
超参数困境源于对深度学习的误解。某汽车零部件检测项目采用“传统算法+CNN”混合架构：
传统算法过滤95%的正常区域
CNN聚焦处理5%的疑似区域
决策引擎综合光学特征、工艺参数进行最终判定
这种架构将可调参数控制在3个以内，且每个参数都有明确的物理意义。
落地惊魂：最后一公里的生死考验
人机交互断层极具警示意义。某卫浴产品检测系统部署时，我们设计了：
物理按钮标注：替代键盘鼠标操作；
声光提示系统：用不同颜色/频率指示检测状态；
防误触机制：双击确认+物理急停开关。
这些设计使50岁以上的检测员平均培训时间缩短至15分钟。
