传统机器视觉依靠工程人员设置边缘、灰度、颜色、几何和模板规则；深度学习从标注样本中学习较复杂的外观特征。两类技术都在工业检测中广泛使用，选择时需要结合缺陷形态、样本条件、产线节拍、错误成本和后续维护。
按检测任务选择技术
尺寸测量、孔位有无、字符区域定位、固定姿态零件的边缘缺口等任务，可以用稳定的几何或灰度规则描述。传统视觉对样本数量依赖较低，阈值和计算步骤容易检查，工程人员也能快速定位失败原因。
随机划痕、污渍、裂纹、织物或涂层缺陷的形态变化较大，材料反光和正常纹理也可能干扰判断。这类任务可以评估深度学习方案。样本应覆盖不同产品型号、批次、班次、光照和缺陷类型，并保留独立测试集。
目标识别、定位、计数与追踪同样需要按工位判断。固定位置、稳定节拍的计数采用传感器或规则视觉通常更经济；目标种类多、遮挡频繁或姿态变化明显时，深度学习目标检测与跟踪更合适。
五个选型维度
1. 缺陷能否写成稳定规则
“边缘长度小于阈值”“圆心偏移超过允许范围”“指定区域缺少零件”等条件，适合用规则视觉实现。需要有经验的质检人员综合纹理、形态和上下文判断时，可以用样本测试深度学习效果。
2. 样本是否覆盖真实生产变化
深度学习项目需要足够的正常和异常样本。正常样本要覆盖产品型号、材料批次、设备、班次和光照；异常样本要包含主要缺陷及容易争议的图片。质量、生产和技术人员还需统一标签定义，例如划痕长度、污渍面积、缺口位置以及遮挡时的处理方式。
3. 相机、光源和节拍是否满足要求
成像质量直接影响两类算法。相机分辨率、镜头焦距、工作距离、光源角度、曝光时间、运动模糊和安装振动都需要在现场测试。系统还要在产线节拍内完成触发、采图、传输、推理、结果通信和执行机构动作。边缘计算设备应按多相机并发、最高分辨率和现场温度选型。
4. 误报和漏报会造成什么影响
误报可能增加人工复检、返工或停线，漏报可能造成质量或安全风险。评估结果应按缺陷类型分别统计误报、漏报、无法判断比例和处理时延，同时确认人工复核、二次拍照、抽检或人工切换方式。一个汇总准确率无法反映不同错误的实际影响。
5. 上线后由谁维护
规则视觉需要维护阈值、模板、相机位置和照明条件；深度学习需要维护样本、标签、模型版本和推理环境。产品换型、材料变化、相机移动或光源衰减都可能影响检测结果。企业需要安排人员收集新缺陷、确认标签、测试新版本，并保留旧模型和配置以便恢复。
规则视觉与深度学习可以组合
很多工位同时包含几何测量和复杂外观检查，常见组合包括：
- 由传感器和规则定位触发拍照，再用深度学习分类缺陷；
- 用几何算法完成尺寸测量，用深度学习判断表面外观；
- 用目标检测找到不同零件，再用规则校验位置、距离和数量；
- 用规则筛出明显合格品，把难以判断的图片送给模型和复检人员；
- 用模型定位候选缺陷区域，再由确定性规则决定后续动作。
组合方案可以保留几何计算的稳定性，同时利用深度学习处理复杂纹理。模型置信度不足或推理服务中断时，系统可切换到人工复检或原有规则。
PoC需要在真实工位验证什么
PoC应使用现场或等效工位，尽早发现成像、节拍和系统通信问题。建议完成以下检查：
- 确认相机、镜头、光源、触发方式、安装空间和防护等级；
- 建立缺陷定义、标注规范和争议样本处理规则；
- 按时间、批次或产品划分训练集与测试集，防止相邻视频帧混入两组数据；
- 分缺陷和产品统计误报、漏报及不同班次的表现；
- 测量从拍照到PLC、MES或QMS接收结果的端到端时延；
- 模拟相机断连、画面冻结、模型服务异常和低置信度情况；
- 估算样本复核、模型更新和现场维护所需人员与时间。
推荐的决策顺序
先完成相机、镜头、光源和安装结构测试。特征能够稳定计算时采用规则视觉；复杂纹理任务在样本充足后开展深度学习PoC；工位同时包含尺寸测量和外观检查时采用组合方案。最终以真实节拍下的误报、漏报、处理时延和维护工作量来确定技术路线。
视觉检测的目标，是在生产工况下持续提供可靠的质量判断信息。规则视觉、深度学习或两者组合，都应围绕具体产品、缺陷和工位条件选用。
