企业官网建设流程全解析

十年前我第一次走进那间乳胶手套目检车间，最先记住的不是机器，而是灯箱前一片被盯得发亮的传送带。荧光灯管把浅黄色的手套照得几乎透明，十几名质检员分坐两侧，每人面前一盏灯箱、一把镊子、一支白板笔，手套从眼前流过，不合格的用手一挑、笔一划，扔进身旁的红色周转箱。那时候我们每天要检好几万只家用乳胶手套，针孔、气泡、缺胶、指间粘连、杂质……全靠眼睛。

十年后，这条线换成了四工位视觉检测，核心推理跑在Hexagon AI平台上，老伙计们从灯箱前撤下来，坐到了标注电脑前面。这近十年的路，踩过无数坑，也交了不少学费。写出来，给同样在搞人工转自动化质检的同行一点参考。

1. 目检车间的真实战场：十二双眼睛、一条灯带和每天几万只手

1.1 为什么必须先从"人眼经验"说起

很多人一谈视觉检测，开口就是相机分辨率、深度学习模型、漏检率指标。但真正动手改造过产线的人都明白，第一步不是选设备，而是搞清楚人工目检到底在做什么、靠什么吃饭、又断在哪根弦上。

家用乳胶手套的缺陷和五金件、PCB板完全不一样。五金件上崩个角、PCB上缺个件，位置相对固定，颜色对比强烈；乳胶手套是柔性透明体，常见的问题包括针孔、气泡、杂质点、缺胶、流痕、指间粘连、破口、腕口卷边不良，甚至整只手套的厚度不均匀。其中针孔是致命的，它直接决定手套能不能挡住水、油和细菌。

以前我们怎么检查？手套从浸渍线上落到传送带后，工人们把手套套在一个充气嘴上，先充一口气让手套鼓起来，再凑到灯箱前缓慢转动，眼睛盯着手套表面，看有没有透光的细点、有没有鼓起的小泡、有没有颜色发白的一小块。标准就一句话："觉得不对就挑出来。"

这句话看起来简单，实际执行起来非常依赖个人状态。同样一个针孔，资深质检员一眼扫过就能发现，新员工可能把手套转了两遍都看不出来。更麻烦的是，乳胶手套表面天然有光泽变化，模具留下的印痕、料流产生的纹路、搬运时捏出的折痕，全都不是缺陷，却全都长得像缺陷。

1.2 人工目检真正致命的短板

我们统计过一段时间：一条检测线配十六个目检员，三班倒，线速稍微提一点，每小时流过的手套超过两千只。每个人每分钟要过目四十只左右，光是"看一眼"这个动作，一天就要重复上万次。这种强度下，人眼和前臂肌肉很快就会疲劳，漏检率随时间成倍上升。

更麻烦的是质量追溯。客户投诉某批手套有针孔，我们翻记录只能查到这批货是哪天包装的，完全不知道是哪位质检员在哪个时段漏掉的。老师傅会凭手感告诉你"这炉料有一点偏薄"，但"有一点"是多少？说不清。质检经验变成了一种黑话，老师傅带新人全靠传帮带，新员工没有三个月不敢独立顶岗，而三个月后好不容易熟练了，又因为工资、排班等问题流失，培训成本一直在白白燃烧。

真正让厂里下决心改造的是一次客户投诉：一批货发出去之后，终端用户把手套装水，发现有微小的水珠渗出。虽然是万分之几的比例，但家居手套是快消品，品牌方对这类问题容忍度极低。从那时起，我们才认真算了四笔账：漏检率带来的退货和商誉损失、质检员逐年上涨的用工成本、培训周期带来的隐性损耗，以及质量数据缺失对前道工艺改进的阻碍。算完之后，结论很清楚：人工目检这条路，走到头了。

2. 传统视觉为什么会折戟：柔性透明乳胶的"同物不同形"效应

2.1 第一次上视觉：用老办法量橡皮泥

2016年前后，我们第一次接触机器视觉。当时请来的供应商很自信，方案也很常规：工业相机加镜头、背光源、光电触发，再加一套基于灰度阈值的算法包。对方在演示机上做了几十个样品，打印出来的测试报告很漂亮，缺陷检出率看着有九成以上。于是签合同、装产线、调试，噩梦就此开始。

传统视觉算法的基础逻辑是"找特征"。预设好一个灰度范围，缺陷是暗点就把阈值卡在暗侧，缺陷是亮斑就把阈值卡在亮侧，然后用BLOB分析算面积、周长、长宽比。这套逻辑用在金属件、陶瓷片、印刷品上非常成熟，因为被测物体形状固定、表面反射稳定。但乳胶手套不一样——它是软的。

手套套上充气嘴之后，每只的形态都有细微差别。充气量稍微多一点点，手指部位的膜就绷得更紧，同样的杂质点会被拉大；充气量小一点，指根处全是褶皱，算法把每条褶皱的阴影都算成缺陷。更麻烦的是，手套在生产过程中挂在模具上自然下垂，指尖的方向、弯曲程度每一次都不同。传统算法用固定的ROI区域框住"五指区域"，稍微偏一点，整个判定就乱套。

2.2 透明、反光、易变形：三个比想象中更狠的干扰源

这半年调试让我们总结出了三大干扰源。

透明是第一重干扰。手套在背光下几乎是半透明的，背景光会透过膜面，让针孔这种"应该是黑色小点"的缺陷变得极不明显。小针孔在背光下会漏光，反而变成一个亮斑，亮度只比周围高一点点。如果你把阈值调高去抓亮斑，手套上的薄区和厚薄交界处也会误报；调低一点，针孔又被漏掉。

反光是第二重干扰。乳胶表面有类似皮肤的光泽，现场灯管会在手套表面形成一条条高光带。高光带经过曲面折射之后，形状不规律，算法经常把高光边缘当成划痕或杂质。为了抑制反光，我们把光源角度调低、加偏振片，效果仍不稳定，因为手套每转一个角度，反光位置就变一次。

易变形是第三重干扰，也是最无解的。传统视觉要求"同一产品同一姿态"，而我们面对的是"同一个产品，十个姿态"。手套在传送带上的位置、褶皱、局部张力、卷边状态全都不一样。用固定阈值去卡，必然陷入两难：阈值严，误杀率百分之二三十，复检量把工人累垮；阈值松，漏检退回原点。

2.3 传统视觉失败后，我们对"缺陷定义"有了新的认识

那阵子供应商也很头疼，他们的算法工程师反复调参，把误杀率压到百分之六左右，但漏检率仍然不合格。项目最后不了了之，我们只留下了一堆测试图片和一条被拆掉的光源支架。回过头看，失败的根本原因不是相机不够好，而是我们当时把"看得见"和"看得懂"混为一谈了。

人工目检之所以能判别，靠的不是"某个地方黑了一点"，而是人脑同时融合了形状、光泽、膜的张力、褶皱走向以及"这双眼睛过去十年看过的手套"。所谓有经验的质检员，其实脑内已经建立了一个巨大的缺陷样本库，每看到一个新的可疑区域，都会拿它和记忆里的缺陷类型做对比。传统视觉规则恰恰缺了这层"语义"能力，它只知道灰度分布，不理解"一条向右弯曲的细线，旁边伴随微小白点，这大概率是气泡破裂后的边缘"这种复杂关系。

想通了这一点，我们的方向也从"换更好的相机、调更多参数"转向了"让算法自己去学习缺陷的语义"。但那时候深度学习在工业视觉里的应用还很稚嫩，尤其检测透明柔性材料，成熟案例几乎没有。我们只好等，一等就到了2020年之后，工业级AI视觉平台开始成熟，Hexagon AI就是在这个阶段进入我们视野的。

3. Hexagon AI的选型逻辑：从算法Demo到可生产系统的关键决策

3.1 自研算法、传统视觉SDK还是工业AI平台

2020年之后，市面上能做缺陷检测的深度学习方案突然多了起来。我们当时面临三条路：一是招算法工程师自研模型和部署平台；二是在传统视觉供应商的方案上叠加AI模块；三是直接选择成熟工业AI视觉平台，比如Hexagon AI这类从测量与质量基础设施发展起来的产品。

自研这条路我们认真评估过。算法本身可以开源模型做微调，难的是配套工程：数据怎么管理、标注工具哪里来、模型怎么在产线边缘端部署、推理结果如何和PLC联动、误报图片怎么回流成为下一轮训练数据。这些东西看着不起眼，做起来全是人力和时间成本，按我们的团队规模，至少要配三个人专职维护，周期拉长到一年以上，产线等不起。

传统视觉供应商的AI方案我们也试了。优点是硬件集成熟练，相机、光源、工控机一揽子搞定；缺点是算法平台相对封闭，换一个缺陷类型、加一个手套规格，都要供应商派人来调，迭代响应慢。而产线上每天都会出现预料之外的缺陷形态，慢一天就意味着多一批人工复检的工单。

3.2 我们给Hexagon AI打分的几个维度

当时我们列了一个选型维度表，每一项按0到5打分。表格里的很多项，不是看demo展示，而是真的把我们的手套样品送到对方测试机上跑了两周才得出的结论。

最终Hexagon AI胜出的关键，并不是某一项指标碾压，而是它把"从图像到质量数据"这条链路做成了闭环。我们最怕的不是模型不准，而是模型不准之后没有人知道怎么迭代。Hexagon AI给我们的感觉是，模型本身只是其中的一环，前面有数据采集、标注、清洗，后面有验证、部署、监控、回流，每一步都有对应的工具。对一个工厂级别的质量团队来说，这套闭环比单点算法值钱得多。

3.3 平台化带来的隐性收益

部署之后，我们才慢慢体会到平台化方案的隐性收益。

第一是硬件选型的自由度。Hexagon AI不强制绑定某一家相机或光源，我们最终选用的相机和光源都是根据乳胶手套特性反复测试后确定的，而不是平台方库存里有什么就装什么。

第二是数据集资产沉淀。之前的方案里，图片数据散落在各台工控机的硬盘里，谁也不知道那些图是好是坏。Hexagon AI把图片、标注、模型版本、检测结果全部挂在一个质量数据链路上，后来新增一个手套尺码时，我们发现历史数据可以直接复用，不用再从零标注。

第三是产线数据的解释能力。以前质检结果对于前道工序来说就是一个"好/坏"的结论，现在每只不良品都带着缺陷图片和分类信息。浸胶线、硫化线上的工艺员能直接看到"这批针孔集中在指根部位"，对症调整工艺参数，这才是从"检出缺陷"走向"消灭缺陷"的关键一步。当然，这一步不是平台本身完成的，但平台让数据变得可解释、可追溯，给了工艺团队一个抓手。

4. 四工位拆解：检测任务分配、节拍设计与转盘联动

4.1 为什么是"四个"工位，而不是一个通用工位

拿到平台之后，摆在我们面前的第一个结构性问题，就是产线怎么排。刚开始我们想得很简单：主线上面吊一台相机，所有缺陷一条模型跑完。但实际操作起来，问题立刻暴露出来。

不同缺陷需要不同的光学条件。外表面的针孔在背光下最容易显形；内表面的杂质需要低角度光从侧面打，靠散射来增强对比；尺寸测量则要用远心镜头，尽可能消除透视误差。一台相机、一组光源不可能同时满足所有条件，硬要做成一个通用工位，只能是所有条件都打折。

另一个原因是模型复杂度。如果把针孔、气泡、杂质、缺胶、尺码、卷边全部丢进一个大模型里，训练数据要非常庞大，而且不同缺陷类型的样本量严重不均衡，模型很容易被占多数的"正常"样本带偏，少数的"缺胶"样本老学不会。分散到四个工位之后，每个工位只关心一类缺陷，模型小、训练快、准确率更高。这就是我们最终把检测单元设计成"四工位转盘"的原因。

4.2 四个工位分别干什么

整套四工位检测单元是一个旋转式转盘，转盘上有四个独立的夹具工位，每个工位配备独立相机、光源和检测模型。手套依次进入转盘后，在四个工位完成全项检测。

工位一：外表面缺陷检测。手套被充气套在透明的检测心轴上，背景是一盏大面积的漫射背光板。相机从两侧对称拍摄，重点找针孔、气泡、外表面杂质、流痕和凹坑。背光的好处是针孔和气泡部位会让光穿透方式发生变化，在图像上形成局部微小的亮度或纹理异常，这比正面光抓"黑点"可靠得多。

工位二：内表面与指间粘连检测。这是整套系统里最麻烦的一个工位。内表面检测的前提是把手套内壁暴露出来，我们通过一个负压吸嘴把手指部分向外吸开，让内壁形成可见的曲面，再用低角度环形光和同轴光同时照明。这个工位重点看内壁异物、未硫化点、指间粘连以及模具印痕造成的异常厚区。

工位三：尺寸与外形测量。家用乳胶手套的尺码是明确的，但人工目检基本不量尺寸，只靠肉眼扫。工位三用高分辨率面阵相机加远心镜头，从正上方拍摄充气后的手套轮廓，测量掌宽、中指长度、腕口直径和指间开叉深度。测量结果是一个连续值，只要落在企业标准的上下限区间内就算合格。这个工位看起来没有"缺陷识别"那么炫酷，但它承担了大量跨尺码混检的防错功能。

工位四：封口与充气保压初检。腕口的卷边质量、封口厚度是人工最容易忽略的地方。工位四在手套充气状态下观察卷边是否均匀、有无缺料，同时联一个气压传感器，在充气后保持几秒，看压力下降是否过快。严格来说，这不是替代传统的注水检漏，它只是把明显的破口和封口不良提前拦下来，减轻后端电检/气检设备的压力。

四个工位数据汇总到Hexagon AI平台之后，平台会给出一个综合判定：如果外表面有针孔，照片会被打上类别标签；如果只是尺码超标，也会自动分流到特定复检筐。

4.3 节拍平衡、剔除机构和多级复检

四工位转盘看起来是四个工位并行干活，但整机节拍其实由转盘的转位速度决定。我们当时的目标是单只手套从进入单元到出结果，控制在3秒以内，四工位转盘在理想节拍下大约每3秒出一个检测结果，这样白班八小时下来能覆盖产线主要产量。

为了达到这个节拍，我们把最费时间的工位二做了特殊处理：它并不是每只手套都拍十张图，而是先拍一张全景快速预筛，发现可疑区域才触发局部放大拍摄。这种"两级触发"设计大大减少了图像数据量，也让神经网络推理时间稳得住。

配套的剔除机构也是一个容易忽略的坑。检测结果出来后，不合格手套要按缺陷类型分流到不同筐：针孔类进高危复检筐，外观类进返工筐，尺寸类进降级品筐。最初我们用压缩空气吹落，结果发现手套太轻，吹落的轨迹不稳定，经常掉进错误的筐；后来改成机械拨杆加导流槽，才把分流准确率提上来。这套东西在方案评审时没有人提过，装完线才发现是个硬问题。

5. 真正决定成败的三个细节：打光、镜像样本与缺陷标注

5.1 打光：半透明材料必须先想清楚"让谁显形"

很多项目上来就谈模型选型，其实在检测透明柔性材料的问题上，打光对效果的影响往往比模型架构更大。模型再强，也要从图像里提取特征；光线不到位，特征根本不存在。

我们对乳胶手套的打光整整迭代了四轮。第一轮用普通背光板，发现小针孔在乳胶膜上的对比度太弱；第二轮提升背光亮度，又发现手套太薄的地方亮度接近背景，模型把整片区域都判成可疑；第三轮改成"背光加前向低角度光"的复合光源，外表面的指纹印和污渍显形了，但指根褶皱的阴影也被放大，误报来了；第四轮才定下"背光为主、低角度环形光为辅、加偏振片消除镜面高光"的组合方案。

这轮调试最大的经验是：打光的目标不是"看得最清楚"，而是"让不同缺陷类别在图像上可分离"。针孔要的是微弱亮度差，气泡要的是边缘曲率变化，外表面杂质要的是散射光斑。没有一种光能同时满足三种需求，因此四工位各自独立打光的思路，远优于一条线一个大光源的方案。

5.2 左右手镜像与尺寸换型：数据集必须覆盖的隐性维度

数据集建设是项目里最花时间的部分，而最容易踩的坑是左右手镜像问题。家用乳胶手套有左手、右手，还有部分产品是左右手通用的。我们在初版数据集里犯了一个低级错误：只采集了左手手套为主的外表面图片，结果模型在右手手套上的检测精度明显下降。原因很简单，右手手套的纹理走向、局部褶皱形态和左手呈镜像关系，模型看到的分布变了。

解决方式并不复杂，但必须提前规划。采集数据时，左右手手套各占一半；如果产品分不同尺码，还要保证每个尺码在训练集里都有足够的出现频次。另外，换型问题是产线常态，今天做小号，明天做中号，后天可能换一个品牌客户的定制配方。手套颜色、厚度、光泽都会跟着配方变化，视觉系统必须能应对这种变化。我们的做法是每次换型时先跑一小批试产，采集现场图片加入现有模型做增量训练，确认指标正常后再正式放量。Hexagon AI平台的增量训练流程简化了这个过程，全程由现场质检工程师操作，不需要专职算法工程师时刻盯着。

5.3 缺陷定义表格、标注规范和复检回流机制

标注质量直接决定模型上限。我们请了三位至少有五年经验的质检员组成标注小组，先一起花了三天时间对缺陷分类做了一次"名词统一"。同一个现象，老师傅叫"沙眼"，新员工叫"小孔"，质检部叫"针孔"，在标注系统里必须统一成一个标签。下图是我整理的一份内部缺陷定义表的一部分。

标注规范确定之后，还有一个关键机制是"复检回流"。系统上线初期，不可能一次就把模型调到完美，我们的做法是：所有被机器判为不良、被人工复检放行的图片，以及所有被机器放过、被人工抽检抓回来的图片，全部定期导出，由标注小组重新标注后加入训练集。这个过程我们每周做一次，连续做了三个月，模型从第一周的"漏检率尚可但误杀率偏高"，逐步收敛到稳定状态。

6. 上线两年后的真实收益与稳定运营经验

6.1 效率与漏检率的账：数据比感觉会说话

系统上线稳定运行之后，我们做过一次完整的半年统计。漏检率从原来人工目检的平均千分之三上下，降到万分之三以下，已经压过了客户方的抽检线。误杀率控制在百分之一以内，也就是每检一百只手套，大约有一只被误判为不良，这一只会在复检环节由人工快速放行。

人力成本的变化更直接。整条检测线从十六人减到六人，这六个人主要负责复检、抽样和系统监护，工作强度比以前低了很多。原先最让车间头疼的"培训三个月才能顶岗"问题也不存在了，新来的质检员只要学会看屏幕上的判定结果和异常图片，当天就能上手。老师傅的价值被重新定位成"标注专家"和"疑难品判定员"，她们的经验没有浪费，反而变成了模型训练数据的一部分。

6.2 维护与换型：视觉系统最容易被低估的运维成本

如果一个项目只讲上线时的指标，不讲运维，那是不完整的。这两年下来，我们积累了几条非常实在的运维经验。

光源衰减是首先要面对的问题。工业LED光源用久了亮度会下降，尤其是背光板，亮度衰减会导致针孔检测的对比度悄悄变化。如果不做定期校准，模型会慢慢"失明"。我们每周用标准样件校验一次各工位的亮度曲线，发现衰减超过百分之十就立即更换光源模块。这个习惯看起来笨，但确实避免了多次"莫名其妙漏检率升高"的排查。

环境光干扰也比想象中严重。车间里白天阳光会从窗户射进来，晚上又有高架灯，有时候光路经过传送带金属表面反射，会在手套图像上留下不规则的亮带。后来我们干脆把整个转盘区域用遮光罩围起来，内部只保留检测光源，世界瞬间清净了。遮光罩不是一个精美的方案，但它管用。

换型试产也是日常流程的一部分。每换一个手套规格或配方，质检工程师先在Hexagon AI里跑一小批样品的预检测，看可疑图分布是否落在已知缺陷类别内。如果发现新的异常形态，先人工判定，再决定是否补充标注数据。这套流程把换型时间从过去人工质检的依赖老师傅状态，压缩到两小时以内。

6.3 给同样想突围的同行：一份可复用的落地清单

如果让我把这些年最核心的经验压缩成一份行动清单，大概是这八条。

第一，改造之前先花至少一个月的功夫摸清人工目检的缺陷定义，宁可让老师傅讲一百遍"我觉得不对"，也不要急着上相机。

第二，用小批量样品、标准测试件，在至少三个光场组合下实测，不要相信任何一家供应商的"标准产品套餐"。

第三，透明柔性材料一定要做光源验证，背光、低角度光、同轴光、偏振光分开测，记录每种缺陷在每种光场下的对比度。

第四，数据集必须覆盖左右手、不同尺码、不同批次、不同环境亮度下的形态，缺哪一个维度，上线之后就会在哪一个维度栽跟头。

第五，标注环节要由一线质检员深度参与，分类名词必须统一，标注边界要有书面规范。

第六，部署结构尽量做成"多工位小模型"，不要贪图一个万能大模型，工程维护和故障隔离都会轻松很多。

第七，复检回流机制要在上线第一天就建立，图片要回流、模型要周更，视觉系统是养出来的，不是一锤子买卖。

第八，保留一部份人工复检能力，AI负责高强度、大流量的初筛，人工负责低频次的疑难判定，这是目前最稳健的分工方式，也是老师傅与算法能够共存的结构。

最后再说一个我自己的体会。做这个项目的前三年，我一直以为视觉检测的最高目标是"让机器完全替代人眼"，把老师傅淘汰掉。真正做完四工位之后，我的想法反过来了：机器替代的是重复、疲劳、主观的部分，而老师傅的经验被转化为标注逻辑、缺陷定义和疑难复核，反而获得了比从前更清晰的表达能力。这场突围走到最后，并没有什么人被淘汰，只是大家的工作方式换了。

如果你正在评估类似的柔性材料视觉检测，希望这篇东西能让你少走几个弯。技术选型可以听供应商讲，但真正决定项目走向的，永远是产线上那些说不清道不明的细节。