YOLO 生产落地案例
五、生产落地案例
案例一：金属件表面缺陷检测上线
背景：产线需要对冲压件表面的划痕、压痕、污渍做在线检测，原来靠人工目检，漏检率随班次波动。
怎么做：先固定成像条件——光源角度、相机高度、曝光时间全部锁定并做成工装，这一步比模型选择重要得多；采集一批覆盖不同班次与不同批次的图，按缺陷类型分类标注，特别关注少见缺陷的补采；用最小档模型跑通流程后逐级升档；导出成加速格式部署到工控机的显卡上，配合触发信号做在线检测，检测结果与产线系统对接。
关键配置：输入尺寸与训练一致；置信度阈值按「漏检代价大于误检代价」的原则设偏保守；推理耗时按节拍留出余量，不要压到极限。
效果：漏检率明显低于人工目检且保持稳定，检测结果可追溯。
坑与解决：一是长尾缺陷样本太少，模型对少见缺陷几乎检不出，靠模型本身解决不了，只能定向补采并做针对性增强。二是车间光照随时间变化，下午的图与上午的分布不同，模型在特定时段精度下滑；解决办法是把光源做成封闭工装并锁定，从源头消除变量。三是上线后换了供应商的料，表面纹理变了，模型出现域漂移，需要重新采一批数据微调。四是标注一致性差，不同人标同一张图差异很大，后来先出了标注规范并让同一人负责同一类缺陷。
案例二：机器人抓取中的目标检测与定位
背景：机械臂要抓取传送带上随机到达的工件，需要实时给出工件的类别与位置。
怎么做：相机固定在传送带上方，先用标定把像素坐标映射到机器人基座坐标系；用检测模型输出框，取框的中心点作为工件位置；把结果与机器人控制器联动，检测到目标就触发抓取，抓完再检测下一个。
关键配置：相机与机器人做手眼标定并定期校验；检测与抓取的时序要用时间戳对齐，避免抓取时工件已经移动；推理与机械臂运动放在不同的进程里，互不阻塞。
效果：能适应工件位置的随机波动，人工干预次数明显下降。
坑与解决：一是没有做时间对齐，机械臂按检测时刻的位置去抓，传送带一直在动导致总是抓偏；加入基于编码器的位置补偿后解决。二是把检测框中心当成工件中心，对于形状不对称的工件偏差很大，改成用关键点或最小外接矩形中心。三是为了追节拍把输入尺寸降得太小，小工件直接检不到，最后平衡了尺寸与节拍。
