深色牛仔布AI验布机：攻克低对比度缺陷检测的工业实践

把一匹匹蓝色发黑的牛仔布从织机上卸下来、运到验布台老师傅眯着眼睛对着光源一匹一匹地翻找这是过去很多纺织厂质检车间的日常。牛仔面料因为本身颜色深、纹理粗、表面有绒毛感一直是纺企质量管控里最难啃的骨头。而AI验布机要做的就是在这个看起来“全是蓝色”的世界里把一根断掉的经纱、一小块漏底的织痕、一处被油污染出的斑点准确揪出来。这篇文章就从生产线实际应用的角度把AI验布机攻克深色厚重面料质检难题的思路、算法、硬件选型和调试经验从头到尾拆开讲。无论你是质检主管、面料厂的技术员还是刚接触工业视觉的算法工程师看完应该能对这类项目有个整体判断也少走不少弯路。1. 深色厚重牛仔布凭什么让传统质检这么头疼1.1 织物结构与染色工艺的先天限制牛仔布的基本结构并不复杂多数是经纱采用靛蓝或者硫化黑染色纬纱保留本色然后以斜纹组织交织。问题就出在这个“靛蓝染色”上。靛蓝染料是一种还原染料染在纱线上之后颜色深度高、吸收光的能力特别强整块布面的反射率非常低。在普通可见光照射下布面呈现的是深蓝色甚至蓝黑色很多缺陷和背景之间根本没有明显的灰度差。再加上牛仔面料普遍厚重常规规格从10盎司一直到16盎司之间都有纱线粗、组织点大、布面有斜纹凸起视觉上自带一层均匀的“纹理噪声”。这跟检测浅色平纹布完全是两码事浅色布上一条黑色异物对比度非常高随便一个阈值分割就能抓到但在深色牛仔布上一个油污点同样是深色的一块因断纬造成的横档也藏在斜纹纹理里人眼都容易看漏更别说传统的灰度检测算法。我们还要注意到牛仔布的常见缺陷类型。断经、缺纬、破洞、油污、染斑、浆斑、纬斜、色差、露底、抓毛痕这些在市场上都算质量事故。这么多类缺陷形态各异有的呈线条状有的呈团块状有的几乎只表现为局部纹理变稀。如果只是把缺陷当作“跟正常布面不一样的东西”来检测深度网络其实能找到很多线索但难点在于定义什么叫“不一样”以及如何在高度不一致的纹理背景下保持低误检。1.2 人工验布的三座大山效率、标准、疲劳很多工厂到现在还是用传统验布机配两三个人目检。这里先算一笔账一台验布机的过布速度通常在每分钟15到25米之间一匹布一般是60到100米验完一匹大概需要三四分钟但前提是整卷布没有任何卡住、检查、标记动作耽误。工人必须一边盯着布面一边用粉笔或者贴纸做标记遇到需要复核的区域还要减速倒退。一天下来一个验布工最多处理十几匹到二十几匹不等。更麻烦的是标准不统一。同一个布面上的一个细小破洞老张觉得是A级品可以放行老王觉得必须降等质检主管在中间调解。尤其是牛仔布这种深色面料缺陷在灯光不同角度下呈现的清晰度完全不一样同样的布匹上午和下午、晴天和阴天评出来的结果都可能相差很大。品牌客户一旦验货时发现不合格往往不是退货就是索赔工厂反而越来越依赖“老师傅的经验”可老师傅也会疲劳。人眼是接受连续刺激的器官看蓝色看久了会产生视觉疲劳生理上会越来越不敏感。这就是为什么很多检测团队处理后半夜的成卷牛仔布时漏检率会直线上升。机器不会疲劳但机器如果没有正确的算法和光源也只是连续不停地漏而已。所以AI验布机不是要取代某个老师傅而是要把人眼从这种高度紧张的单调劳动里解放出来。1.3 深色面料缺陷的本质低对比度与弱语义如果给牛仔布质检难题下一个技术层面上的定义我认为核心是“低对比度目标检测”。同一匹布面上斜纹纹理的高频成分非常丰富而断经、缺纬这类缺陷本质上是对纹理连续性的一种破坏它的尺寸可能只有几毫米宽、几十毫米长。用频域的话来说就是这个信号被淹没在一片高能量的纹理背景里面。再往深层讲深色牛仔布的“暗”不只是亮度低更麻烦的是光度不均匀。布面在张力下会有微小的起伏光源照上去会产生漫反射深色区域的散射光强度极弱所以传统的面阵相机在快门时间内能积累的光子数量很少图像信噪比差。如果光圈开大了景深变小布面起伏稍微大点就模糊如果光圈关小了曝光时间就得拉长而过布速度又不允许。这些限制叠加在一起造成深色牛仔布的成像质量天然就比浅色布低了一个档次。这也是为什么“AI验布机”并不只是换一个神经网络那么简单。它本质上是一个成像系统、光学系统、算法系统、机械运动系统协同工作的集成设备。要在深色厚重面料上做到稳定检测每一个环节都得针对“低反射率、高纹理噪声、多缺陷形态”这三大难题做专门设计。2. AI验布机到底在看什么核心系统与硬件选型逻辑2.1 整机系统与工作流程一套完整的AI验布机从物理结构上看通常由放卷机构、展布辊、导布辊、检测单元、复卷机构、标记机构和工控机组成。布匹从放卷端进入经过张力控制以一个稳定的线速度通过检测区域检测单元持续采集图像工控机实时推理分析一旦发现缺陷就触发喷码、贴标或者电子标记指令到最后复卷端自动分类分卷。这里要强调一个容易被忽视的原则检测画面里的布面必须在成像瞬间是“静止”的。布面运动会产生竖向运动模糊哪怕只有一两个像素的拖影对断经这类细长缺陷来说都是致命的。所以整套机构里所有的导辊、压辊都是为了把布面在检测窗口内压平、张紧让布面与相机成像平面保持基本垂直。很多新上AI验布机的工厂最容易踩的坑就是把老验布机的机械结构直接沿用结果布面抖动导致检测效果不佳还以为是算法不好。检测单元的位置也非常讲究。牛仔布在染整定型之后布面可能有含水率差异、表面毛羽状态不稳定一般建议把检测单元放在整理工序之后、成卷之前这样既能看到成品布的真实状态又能在缺陷发生后第一时间标记拦截。在后续的验布机上如果布已经卷成布卷在复验时检测问题就暴露得晚了一步。2.2 为什么主流方案选线阵相机而不是面阵相机对于幅宽一米六到两米的牛仔布如果用过布速度每分钟60米来做设计指标需要的成像分辨率就必须综合考虑。假设一个缺陷的最小检出尺寸是0.5毫米那么图像传感器的横向采样密度至少要保证每个像素覆盖不超过0.5毫米。幅宽两米除以0.5毫米横向就需要4000个采样点。常规的面阵相机横向像素也就2000到4000如果用面阵相机要么一屏拍不全要么分辨率不够而且高速过布时面阵相机的帧率也难以跟上。所以工业上普遍选择线阵相机。线阵相机的传感器是一条细线可以做到单行4096像素、8192像素甚至更高。布面在运动过程中线阵相机逐行扫描像打印机一样把整幅布面图像拼出来。横向分辨率由相机传感器决定纵向分辨率由运动速度与相机扫描频率共同决定。车速60米每分钟也就是每秒运动1000毫米如果纵向想做到0.5毫米分辨率那么相机每秒就需要扫描2000行也就是触发频率要到2000Hz。这在线阵相机里是完全可行的。选用线阵相机还有一个好处光源可以使用条状光源沿幅宽方向布置照明更均匀。面阵相机照射面积大深色牛仔布吸光严重很难做到整个画面光照一致后端的图像校正就会很痛苦。线阵相机每次只看一条线光源只要把这条线照得均匀就能保证图像拼接后的整体亮度一致性。实际项目里这条“亮线”就是整个系统的心脏。2.3 光源设计深色牛仔布成像质量的胜负手深色牛仔布检测的光源方案我见过的踩坑案例非常多。很多供应商拿到项目就按浅色布的思路来上两根白色LED荧光灯管结果图像拍出来整体都是暗蓝色缺陷根本无法分辨。这里要理解的是光源的目标不是“照亮”而是“拉开缺陷与布面的对比度”。传统的工业视觉检测条光、同轴光、背光、穹顶光用得最多。但对于深色牛仔布需要针对不同缺陷类型做选择性照明。比如检测破洞和稀薄区域时局部透光率会发生变化这时在布面下方加一组透射光源底光就会非常有效。漏底的织痕、局部纬纱密度不足的区域在透射光下表现为局部亮斑跟深色布底形成强烈反差。而检测油污、染斑这类表面附着型缺陷则要靠上方的斜向条光产生漫反射差异污点在特定角度下会表现出与布面不同的光泽度。对于表面毛羽、抓毛痕这类方向性很强的缺陷光照方向就更有讲究了。牛仔布斜纹的方向是固定的其中经纱浮点在整个布面形成斜向纹理。如果把光源布置成低角度掠射并且让光的照射方向跟布纹方向形成一定夹角那么纹理的周期性能量会被显著抑制而破坏纹理连续性的缺陷会跳出背景。这就是我在项目里反复强调的一个观点光源从来不只是补光工具它是第一层“特征提取器”。光源选对了后面的算法压力直接减半。实际操作中一套深色牛仔布AI验布机的光源通常至少分三路一是高亮白色LED条光以斜射角度照亮布面表面二是红外或红色光源利用红外对靛蓝染料的穿透能力来凸显组织稀疏类缺陷三是透射光源专门补充稀薄类和破洞类缺陷的信号强度。每路光源的亮度、角度、照射区域都要可调这个调节过程往往需要拿着样布在机器上一遍遍地拍图对比。3. 算法侧的攻坚战让深度学习识别低对比度缺陷3.1 传统机器视觉算法在深色牛仔布上的失效边界有些团队拿到项目第一反应是用传统的OpenCV流程灰度化、二值化、找轮廓、算特征、做分类。这在浅色平滑面料上确实有用因为缺陷区域和背景的灰度分布往往是双峰的阈值分割很快。但在深色牛仔布上大量缺陷的灰度级和正常布面重叠整幅图像的直方图几乎都是一个单峰分布任何固定阈值都无法把缺陷分离出来。纹理分析里的频域方法也可以做一部分工作比如用傅里叶变换把周期性纹理滤掉保留异常区域。但牛仔布的斜纹并不是绝对规则的纱线粗细波动、织造成色不均、布面张力的局部变化都会造成周期特征在空间上漂移滤波器一加要么缺陷留不住要么把整幅图像滤花。这类方法最终可以把图像变成一张嘈杂的背景图但很难做到对不同形态缺陷的通用检测。深度学习解决这个问题的方式不是去手工设计“什么是缺陷”的规则而是直接从大量标注样本中学习“正常纹理”和“缺陷纹理”的边界。卷积神经网络可以在不同尺度上同时提取纹理边缘、团块形状、长程连续性特征这对断裂型缺陷、污点型缺陷、稀薄型缺陷都能较好地泛化。但前提是训练数据必须够丰富、标注必须够准、数据增强必须贴合面料尺度的实际变化。3.2 训练集里最关键的问题背景多样性远大于缺陷多样性AI验布机在实际项目中最耗时间的一定不是模型训练而是样本采集和标注。牛仔布的颜色范围非常广泛从浅靛蓝到深靛蓝、从纯蓝到黑色再加上不同盎司重量的组织结构差异每换一个布种模型面对的数据分布就变一截。一个在10盎司浅色靛蓝布上训练得很好的模型直接拿到16盎司黑色牛仔布上误检率可能高到你怀疑人生。所以算法团队往往建议工厂按照“面料家族”分别建立模型池。同一种织造规格和染色配方的面料建立一个专属模型换布种时需要做增量训练甚至全量重新训练。每个模型至少需要采集几十卷涵盖不同生产批次的布面图像缺缺陷样本不够时就得花大量时间去产线上找确切缺陷或者通过人工复刻缺陷来扩充。这里要重点提醒缺陷样本的价值不在于数量多而在于干扰样本的价值。真正让模型崩溃的不是少数几个缺陷漏检而是正常布面里的一堆“疑似缺陷”被疯狂报警。比如牛仔布水洗以后偶发的颜色不匀、张力造成的局部光泽变化、织造随机出现的纱线条干不均这些不是缺陷但长得像缺陷的样本反而是训练集中必须重点覆盖的。我习惯把这类样本称为“容易惹事的好布”在训练时单独归为正常类别并加大比重能非常有效地压制误检率。标注层面也要细致。对于断经、破洞这类边界明确的缺陷直接用矩形框即可但局部稀薄、抓毛痕这类边界模糊、区域延展的缺陷矩形框会把很大一片正常区域也圈进去反而误导模型。几个做落地比较深入的团队会直接用像素级分割标注解决这个问题。虽然标注成本高一些但对深色面料那种边界模糊的弱对比缺陷分割类的监督信息比框检类舒服很多。3.3 模型选型检测头、分割头与背景抑制的取舍主流的工业落地场景里基于目标检测的算法框架比如YOLO系列因为推理速度快、部署方便是很多AI验布机的一级方案。它对于油污、染斑、破洞这类边界相对清晰的点状缺陷很有效一张图里一次性输出多个目标框再配合类别与置信度逻辑很简洁。但缺陷在牛仔布上往往不是一个个孤立的“框”而是大片区域里多个断续点连成一条线比如纬向的缺纬在画面上可能表现为一条横向的半透明带状区域边界非常模糊。这时候纯目标检测框会框得七扭八歪或者一个缺陷被切成多个小框后期统计缺陷面积就非常不准。所以在实际项目中比较好的结构是双分支一个分支做目标检测负责点状缺陷的定位与分类另一个分支做语义分割负责区域型缺陷的像素级输出。最后把两个分支的结果做逻辑融合。这样既保留了检测的快速性也保住了区域的准确性。还有一个做法是针对深色纹理的“背景抑制前置”。在模型输入端或特征提取前端增加一个纹理一致性约束模块让网络学会把规则的斜纹纹理当作背景进行归一化再进入检测主干。相当于给模型戴上了一个“去纹眼镜”。这种方法能够显著减少背景纹理波动引发的误检但对模型的复杂度要求高了一些如果工控机的算力不够反而会把推理速度拖垮。3.4 深色面料专属的预处理与后处理技巧在图像预处理上针对深色牛仔布有几个非常有效的操作。第一是做局部直方图均衡但不是整幅图做而是沿斜纹方向做滑动窗口均衡这样能增强局部对比度的同时不放大纹理周期。第二是构造“底纹差图”先用中值滤波或者形态学闭运算模拟出一张去除了细腻纹理的标准背景图然后把原图减去背景图得到差异图。这张差异图在输入模型之前就已经把大部分规则纹理去掉了缺陷的显著性会大幅上升。这里需要注意底纹差图也不能直接替代原图因为有些缺陷跟周围正常布的差异非常微弱简单的减背景操作会把它们一起擦掉。更好的做法是把原图、底纹差图、梯度幅度图三个通道合成一张多通道输入让模型自己去决定到底用什么信息。我曾在一个项目里把这个三通道输入直接喂给一个轻量分割模型漏检率比单纯用原图下降了将近两成而推理耗时几乎没有增加。后处理阶段的技巧更多。模型输出的置信度图或者缺陷概率图本身是逐像素的预测直接统计容易把一些孤立噪点算成缺陷。常见做法是做形态学开运算去除小颗粒噪声再通过连通域分析把相邻的缺陷像素合并成块最后再按缺陷面积、宽度、长宽比等规则过滤掉那些“不配报警”的微小噪声区域。对于线性缺陷还可以用霍夫变换或者骨架化算法把接近一条直线的连通域串联起来判定为断经或长刮痕。所谓的“缺陷置信度阈值”也不是拍脑袋定的。有的工厂为了少漏检把阈值调得很低结果一匹布上弹出几百个报警反而没法处理。高置信度阈值会让漏检上升低置信度阈值会让误检爆炸。最终这个阈值一定是在现场用一匹有已知缺陷的标定布反复扫描绘制出检出率-误检率曲线后根据工厂可接受的损失来权衡选择的。4. 从视觉平台到车间部署、调试与验收全流程4.1 现场勘察的杀手级细节AI验布机不是买回来通电就能用的落地之前一定要做现场勘察。首先是确认车速与幅宽的实际范围很多工厂标称车速60米/分钟实际开起来可能只有40但偶尔赶货时又能到70。相机横向分辨率、触发频率必须按最高车速来选型否则赶货时一加速纵向分辨率就不够了。另外要确认布面经过检测区时的张力范围。牛仔布厚重如果前后张力不一致检测区布面容易起拱导致成像对焦不准。常规做法是在检测区前后各加一根压辊并且保证压辊的包角合适让布面形成一个稳定的水平面。这一步如果现场不具备条件后续调试无论如何都做不好。还要注意车间的粉尘和湿度。牛仔布生产车间的纱线毛羽多、粉尘重相机镜头和光源表面如果直接裸露不到一个星期就会蒙上一层灰图像质量直线下降。所以现场必须配置过滤正压气幕或者定期清洁机制。很多项目就是因为忽视了这一条上线后一段时间误检率越来越高排了半天才发现是镜头脏了。4.2 标定、触发与成像参数越基础越不能凑合硬件安装完之后进入相机标定环节。对于线阵相机最基本的操作是像素尺寸标定把一把标准刻度尺放在布面焦平面上拍一定长度的图像计算出实际长度对应的像素数从而确定横向和纵向的像素当量。这一步做不准后面所有缺陷面积统计都会偏差。触发方式上长距离传输时建议用编码器信号或者高精度测速轮而不是直接用变频器的速度信号因为异步电机转速波动、打滑等因素都会让图像纵向拉伸不均匀。我在实际排查中就遇到过典型的“面条图像”整幅布面的纵向被拉伸得时密时疏正是因为测速信号不稳导致的图像畸变。改成带压轮的旋转编码器后图像立刻恢复正常。成像参数这里有一个平衡。为了提升深色布面的亮度有些人会把曝光时间拉长线阵相机的行周期就变长纵向分辨率就下降了。另一个办法是提升光源功率但光源功率过大会造成局部反光过曝反而丢失细节。实际调试中我会先固定一个目标车速确定行频上限然后倒推曝光时间和光源亮度。曝光时间尽量控制在行周期的五成以内给布面起伏留出余量避免拖影。标定过程中还有一个很容易被忽略的概念标准色卡。不是所有深色牛仔布都要在同一个曝光参数下拍摄不同灰度级别的布面最佳曝光也不同。所以现场会准备一组灰度梯度标准板用不同亮度的布样反复拍摄找到每个布种适合的曝光区间并记录下来形成配方库。这样每次换布种时操作员在界面上选择对应的“布种配方”相机会自动调用预设的曝光和增益参数。4.3 验收指标检出率、漏检率、误检率如何平衡验收阶段最怕的是一上来就要求“一个都不能漏”。这在工业现场是不可能的任何检测系统都存在物理极限零漏检往往伴随的是极高的误检率工厂根本没有那么多人去复核海量报警。所以合理的验收指标是要三方坐下来谈的。业界相对通用的做法是由工厂提供若干卷已经人工确认过缺陷位置和类型的标定布让AI验布机以正常过布速度进行检测与人工标准进行比对。核心指标有三个。检出率表示机器正确检出的缺陷数占标定布缺陷总数的比例误检率表示机器报警而实际不是缺陷的次数占全部报警次数的比例漏检率则是检出率对偶。这三者相互牵制正常情况下很难同时做到最优。在当前比较成熟的应用里深色牛仔布的缺陷检出率往往可以做到百分之八十到百分之九十五误检率控制在每一百米一到三个报警以内。如果某个工厂的要求是零漏检上线就需要搭配人工复核工位机器把所有疑似区域全部标出人再快速看屏幕确认。这种半自动模式对深色厚重面料来说实际上比全自动模式更实用因为最终客户质量判等还是需要人工介入机器提供的是“一个都不能遗漏”的初筛。5. 上线一年踩过的坑常见问题与排查实录5.1 误检爆炸为什么报警像下雨一样多第一个项目上线时最让我记忆深刻的问题是误检爆炸。原本调试时在样布上表现很好一到量产几乎每秒都在报警屏幕上红框密密麻麻。后来排查发现问题的根源不在算法而在布面的生产状态发生了变化。调试用的样布是刚刚下机、布面毛羽相对服帖的而量产卷里有相当一部分经过了后道抓毛处理表面有一层细密绒毛。在斜射光源下绒毛的方向和长度差异会形成一种类似“发白”的反光纹理模型完全没有见过这种表面状态自然就将其中的好多小区域误判成异常。这个案例告诉我两件事第一训练集的表面状态多样性比数量更重要不同后整理工艺的面料必须在训练里区分开第二光源角度对绒毛类表面非常敏感适当调整条光的掠射角度可以显著降低这类误检。处理这批误检的核心动作是重新采集了抓毛、磨毛、酵洗、碧纹等不同后整理状态的布面样本把它们作为正常样本加入训练集并额外增加了一类“疑似背景”的负样本类别。经过一轮增量训练误检率直接下降了百分之七八十。这是整个调试周期里性价比最高的一次操作。5.2 水洗标、边缝和卷绕张力的干扰识别深色牛仔布在布面中间的缺陷其实相对好办最烦人的是布边、织唛和水洗标区域。很多牛仔面料织造时会织入边组织布边与布中间的经纬密度不同在图像上表现为一条连续的规则条带。模型一开始会频繁报边部缺陷因为它的确跟中央区域“长得不一样”但这不是质量问题。解决这个问题不能在算法里硬生生把边部裁剪掉因为边部也可能存在破边、豁口这类真实缺陷。理智的做法是在数据标注时专门把边部区域标注成独立类别比如“正常布边”和“缺陷”让模型学会区分。另外边部常有张力的变化布面在幅宽方向可能收缩或拉伸导致边部图像扭曲这时在后处理里可以对靠近布边的检测区域单独放宽或收紧阈值。卷绕张力的干扰体现在另一种现象上布面表面因卷绕过紧出现细密的横向褶皱。这些褶皱在图像上是一条条横向暗纹非常像缺纬或轧皱但实际布面可能并不存在质量问题。我排查时是把布样拿到线外平铺在玻璃台上重新检测发现这些“缺陷”在松弛状态下并不出现才确定是张力造成的伪影。因此在机械设计阶段控制好卷绕张力的稳定输出和调算法一样重要。至于织唛和水洗标通常位置固定且数量少用区域逻辑屏蔽即可但要允许手动圈定并保存区域配置。5.3 算法参数速查表几个值得抄作业的初始化数值我整理了一套深色牛仔布AI验布机的初始化参数给刚上线的朋友参考。这些数值不是绝对的但作为起点会比从零开始效率高得多上线后需要根据现场布种和缺陷分布逐步调整。参数项推荐初始值说明横向分辨率0.30.5 mm/像素幅宽越宽、车速越高建议取较大值以保证帧率纵向分辨率0.30.5 mm/像素由触发频率决定车速变化时必须重新校核缺陷最小报警面积1.53 mm²小于该面积的孤立噪点默认为非缺陷断经类缺陷最小长度815 mm连续像素宽度小于一定阈值时按噪声过滤分割置信度阈值0.350.55深色面料建议取中低位偏低易误检需配合形态学过滤光源亮度初始值最高功率的60%70%预留调节余量避免过曝掩埋细节形态学开运算核大小3×3 到 5×5每批次根据图像噪声水平微调单卷检测复检超时3040秒超时后需人工介入防止卡卷导致整线停机这套参数针对的是12盎司以上的厚重牛仔布。如果面料更轻薄、颜色更浅比如8盎司以下的水洗牛仔分辨率可以适当提高阈值也可以调得更严格。不同的布种之间参数不应该硬套否则就会出现“浅色布一切正常厚重布老是误检”的尴尬局面。5.4 深色牛仔布的调参顺序经验根据我自己的经验调参不要一上来就动算法阈值而是先按“机械稳定到成像稳定到算法调优”的次序来。第一步是把布面在检测区跑平确保横纵向的分辨率都准确第二步是用一块标准样布检查成像亮度把光源角度和亮度调到缺陷最清晰的状态第三步才进入算法参数调节先调后处理的最小缺陷面积和形态学核再调模型置信度。在调置信度阈值的时候我习惯用一张“缺陷渐次变淡”的标定样布来测试。牛仔布从断经到轻微露底严重程度是连续递变的如果阈值定得太高轻缺陷全漏定得太低轻微的颜色不匀也报警。现场可以一边过布一边实时调整阈值直到缺陷报警的密度和类型正好覆盖工厂的质量判级要求。常见的“顽固漏检”场景是破洞很小、又发生在布面毛羽遮盖较厚的区域模型在像素级上只能给出一个很弱的响应。这种一般可以通过增强透射光源来解决因为透射光对稀薄区域的响应跟表面毛羽关系不大信号更稳定。说到底深色厚重面料的核心竞争力还是在“光”和“模型”的配合上而不是单纯堆显卡。做这个项目的过程中我最大的体会是AI验布机真正难的其实不是训练一个深度网络而是要让整套系统适应工厂那种不完美的、多变的环境。深色牛仔布的布种、后整理、光源、车速每一个变量都在叠加。很多团队在实验室里模型做得漂漂亮亮一到车间就被误检率打回原形。但反过来说只要光学方案贴近缺陷本质训练集覆盖了生产状态的变化调参顺序正确深色厚重面料这个题目是完全能解出来的。如果哪家工厂正准备上这类项目我的建议是先别追求全自动零漏检找一个具体的布种、一两条产线把“深色厚重牛仔布”这一个场景做透比泛泛地做“所有面料”要靠谱得多。做出一个稳定好用的模型池再慢慢扩展布种范围这才是最省钱的路径。