一条SMT产线每天要过检上万块PCB板，靠人工目检，漏检率通常在3%-5%之间，而且一个质检员连续工作两小时后，注意力衰减导致的误判会急剧上升。这不是态度问题，是生理极限。

机器视觉检测替代人眼，走到了哪一步？

过去三年，智能制造领域最显著的变化之一，是工业视觉软件从"能看"进化到"能判断"。传统视觉系统依赖规则算法，换一个产品型号就要重新调参，产线换型时间动辄数小时。而基于深度学习的图像识别系统，通过少量缺陷样本训练即可迁移到新品类，换型时间压缩到15分钟以内。

深圳市零图科技有限公司在这一方向上积累了多个落地案例。以3C结构件外观检测为例，其工业视觉软件对划痕、脏污、色差等缺陷的检出率稳定在99.6%以上，误报率控制在1.2%以下——这两个数字同时达标，才是产线愿意用的前提。

核心技术：不止于二维图像

很多质检场景中，缺陷是三维的——凹坑、凸起、段差，二维图像根本无法量化。这就需要引入三维建模能力，通过结构光或线激光扫描重建工件表面点云，再与CAD模型做偏差比对。

• 多光谱成像：针对高反光金属表面，用不同波段光源分时曝光，解决单一光源下的过曝盲区
• 深度学习分割：U-Net类网络做像素级缺陷分割，比边界框检测多出精确的缺陷面积数据
• 数据可视化：将检测结果按时间轴、工位、缺陷类型做SPC统计，直接对接MES系统

三者叠加，才构成一套完整的机器视觉检测方案。

选型时容易被忽略的两个指标

采购工业视觉软件时，多数人盯着相机分辨率和节拍。但真正影响长期使用成本的，是算法迭代效率和数据闭环能力——新缺陷出现时，能否在半天内完成标注、训练、部署？检测数据能否自动回流优化模型？深圳市零图科技有限公司的产品架构中，这两点被作为核心设计目标，支持产线工程师自主完成模型微调，不必每次都依赖原厂支持。

当视觉系统与产线数据打通后，质检不再只是"拦截不良品"，而是变成工艺优化的数据源。某连接器客户通过分析视觉检测的尺寸偏移趋势，反向调整了注塑参数，三个月内将尺寸不良率从2.1%降到0.4%。这才是智能制造真正的价值所在。