产线上的视觉工位经常遇到这样的尴尬：同一套算法，白天检出率能到99.2%，夜班光照波动后掉到95%以下。这不是算法本身退化，而是成像链路与模型推理之间缺乏闭环。

从"能识别"到"稳识别"的鸿沟在哪

多数工厂部署机器视觉检测时，习惯把相机、光源、算法分开选型。结果就是硬件参数与模型输入分布不匹配——镜头畸变未标定、光源衰减未补偿，模型在训练集上表现优秀，到了现场却频繁误判。深圳市零图科技有限公司在服务电子与新能源客户时发现，超过六成的现场精度损失来自成像端而非模型端。

技术架构：三层解耦设计

零图科技的图像识别系统采用采集层、推理层、应用层解耦架构。采集层支持GigE、USB3.0及CoaXPress多协议接入，内置平场校正与畸变补偿；推理层以工业视觉软件为核心，兼容ONNX、TensorRT模型格式，支持FP16量化部署；应用层则通过数据可视化看板输出缺陷热力图与SPC趋势。

• 采集层：多曝光融合，动态范围提升约12dB
• 推理层：单帧推理延迟控制在8ms以内（RTX A2000平台）
• 应用层：缺陷分类结果直接对接MES，支持追溯

三维建模在定位与测量中的角色

二维检测解决不了高度、体积类缺陷。三维建模模块通过结构光或线激光获取点云，与CAD模型比对，可检出0.05mm级的凹陷与翘曲。在智能制造场景中，这一能力直接决定了装配前能否拦截来料变形。

对比传统阈值算法与深度学习方案：阈值法在规则缺陷上速度占优，但换型需重新调参；深度学习泛化强，却依赖样本均衡。零图的策略是混合推理——规则引擎先过滤明显良品，深度学习只处理边界样本，整体吞吐量提升约30%。

部署建议只有一条：先做成像评估，再谈模型选型。用标准靶标验证畸变与均匀性，用实际工况样本验证模型鲁棒性，两步都通过再上产线。跳过这一步，后面调参的时间成本会翻倍。