真正开工时，第一步往往不是采更多样本，而是先改产线。某零部件厂在试运行初期就遇到典型问题：工件在输送带上有轻微晃动，触发信号时早时晚，模型看的是“同一类产品”，图像却每次位置都不同。后来他们先把节拍、工位定位、触发时序和防抖结构统一起来，检测画面才稳定。这个顺序很关键——现场波动如果不收敛，再强的算法也会被输入噪声抵消。对工程团队来说，产线改造的价值在于给模型建立一个可重复的“观察窗口”。第二步世界杯网址是打光，而且要围绕缺陷类型设计，而不是照亮就行。划痕、凹坑、毛刺、污渍，对光的响应并不一样：有的需要低角度掠射去拉出纹理，有的更依赖漫反射压住高光。实践中常见误区是先追求高亮度，结果反而带来反光过曝，缺陷边界被吃掉。更稳妥的做法是先确定“缺陷在图像上应呈现什么对比关系”，再定光源角度、亮度范围和遮光结构，同时把一致性控制纳入日常点检。先有可重复图像，再谈模型精度，这不是口号，而是上线成败的分水岭。

第三步进入相机安装。现场常被忽视的矛盾是：想看得清，就要更高分辨率和更近视角；想不影响维护，就要留足空间和可达性。安装时通常需要在视野范围、分辨率、安装高度、镜头焦距之间反复平衡。空间受限时，有些产线会选择倾斜安装或加反射路径，但这又会引入畸变和标定复杂度；高反光材质下，相机角度稍有偏差就可能出现大面积炫光，后续再靠算法补救成本很高。经验上，镜头匹配与维护便利应前置评审，避免“装得下但不好修、能拍到但拍不稳”的后遗症。当产线、光学和成像都落位后，项目才进入真正的联调与验收。这个阶段的关键不是一次性通过，而是建立可持续迭代：把线上疑难样本回流到训练池，按批次、班次观察参数漂移，区分是工艺变化还是成像变化导致的误判。同时要把AI结果与原有质检流程衔接清楚，明确复检入口、异常升级路径和责任边界。若只看短期准确率，不看跨班次稳定性，系统很容易在上线后“慢性失效”。从近期制造业改造趋势看，深度学习缺陷检测正在从“算法采购”转向“系统施工”。对准备落地的工厂而言，先把产线改造、打光方案与相机安装这三步做实，再谈模型优化，往往更接近可复制的结果。后续值得继续观察的，不是谁先上AI，而是谁先把施工方法沉淀成标准流程。