磨削纹的规律纹理在低角度平行光下与微裂纹的线性特征在灰度值和纹理方向上的差异被专项模型捕获。背光从密封件下方照射，透射光穿过飞边后在密封件轮廓外围形成白色高亮区域，正常轮廓的边缘在背光下呈现清晰锐利的剪影。密封件集团设备运行中积累的各缺陷分类数据与产线工艺参数的关联分析显示，微裂纹检出率的升高与硫化温度的漂移正相关。特定波长单色光下的色差使氧化斑与正常基体在图像的RGB通道上呈现可识别的差异。漫反

验收的时候可以盯几个点：光源方案是不是按被检件的材质和缺陷类型专门调过的，模型架构是不是对着缺陷的尺度和形态分开选的，每张图的推理延迟能不能跟上产线速度，换一款产品重训要多久，数据闭环有没有跑通、模型长期收敛趋势有没有数据支撑。数据闭环是AI检测跟传统视觉相比一个比较长远的差异——每张被AI标成异常又经人工复核确认的缺陷图，自动回到训练池里，模型按周或按月更新。AI模型按缺陷的尺度和形态和对比度这

工程师在评估AI视觉检测方案时，拿这个顺序去对照产线自己的需求——顺序走对了系统能持续收敛，顺序走反了头几天跑出来的效果就是这条产线能拿到的最高分了。同一套光源和同一套模型部署到产线之后，第一个月的检出率和第六个月的检出率之间存在的差值，来源就是数据闭环的效率。光源方案一旦确定，模型能跑到的检出上限也就基本被锁定了——光源照不出来的缺陷，靠算法去抠是抠不出来的。下面从光学和算法两个维度分头来看。算

一个典型的工业缺陷检测CNN流水线包括：数据采集层（覆盖所有已知缺陷类型和正常样本的高分辨率工业相机图像）→ 数据增强层（旋转、翻转、缩放、亮度扰动、噪声注入——目标是让模型学到缺陷的形态本质，而不是死记训练样本的具体位置和角度）→ 特征提取层（基于ResNet或EfficientNet等骨干网络，底层卷积核提取边缘和纹理、中层提取部件和区域、高层提取整体形态和缺陷语义）→ 分类/分割层（输出每个