本文分享一个工业螺栓计数的真实项目，从传统机器视觉（形状匹配→模板匹配→分水岭分割）到深度学习检测的完整技术演进。作者详细拆解了图像反转、二值化、距离变换、分水岭算法、粒子分析等传统方案的全流程，对比了深度学习方法在精度和开发效率上的巨大优势。对理解传统视觉与深度学习的技术代差有直接参考价值。

《为什么"聪明"的工程师做不好项目？》探讨了技术人才在项目中的思维局限问题。文章指出，许多技术专家虽然专业能力强，却常陷入"一维思考"陷阱——只从自身专业角度解决问题，而忽视其他维度。作者结合工业视觉领域十年经验，将思考能力分为五个维度：单一专业视角、多角度认知、跨领域整合、模式识别和时间维度考量。真正的项目高手需要突破专业身份认同的束缚，主动跨越认知边界，

一个教室，四五十个学生，地上躺着4个假人模特。检测模型全报了，系统一直误报有人躺着。回去加了假人照片做负样本训练，换个新款假人照样误检。试了多模态大模型能分，但四五十个人全送大模型推理，根本跑不动。这篇聊聊为什么检测模型分不了假人，以及为什么大小模型级联这个思路能工作。

这一篇跟前面的踩坑实录不太一样。前面聊的都是技术问题，这篇聊的是"接不接项目"的判断。但我觉得这个更重要。因为一个错误判断的成本，远比一个技术bug高。接了一个不该接的项目，你会亏钱、亏时间、亏口碑。不接一个该接的项目，最多少赚一笔。知道自己不能做什么，比知道自己能做什么更值钱。如果你也在做类似的事情，希望这份清单能帮你少接几个坑。

这篇文章跟之前的踩坑实录不太一样。之前聊的更多是具体的技术问题，这篇聊的是思考框架。但我觉得这个框架比任何一个具体技术都重要。技术选错了，换一个就行。但框架错了，你会一直在错的方向上努力，越努力越亏。第一性原理五步法帮我做减法，最优错误率帮我判断上限。先用最优错误率判断这个项目能不能做、做到什么程度再用五步法判断应该做什么、不做什么、怎么做更快做工业视觉这行，最值钱的不是你会多少算法，而是你知道拿

搞工业现场的兄弟们，基础设施这件事，怎么说呢，真的值得认真对待。不是说你一定要搞多复杂的方案，关键是意识到位——知道哪些环节可能出问题，提前准备好备选方案。像文章开头那个西班牙事件，如果你在CI/CD里配置了多个镜像源（比如官方Hub + 阿里云镜像 + 自己的私有仓库），至少其中一个挂了你还有别的选择。别等到半夜三点被电话叫醒，才想起来这件事。*本文所有代码均为示意，核心思路可复现，具体参数需根

最近同时推进几个项目，有人问我累不累。说实话，有时候也累。但如果每天研究的是自己喜欢的东西，累和消耗是不一样的。希望几年以后回头看，我还能保持现在这种对工业AI的好奇心。赚钱很重要。但能一直觉得这件事好玩，更重要。

我见过不少工厂老板，花二三十万上了AI视觉系统。验收那天准确率98%，一个月后设备吃灰，最后又把质检员请了回来。不是技术不行，而是一开始就不该上。先说结论。你的工厂适不适合上AI视觉系统，判断其实很简单——：先别上，把钱花在更紧迫的地方。：继续往下看。：值得认真评估，但别急着采购设备，先把后面几个坑看完。

实验室里的方案，到了工厂现场就会变形。状态机在Demo里跑得很漂亮，上了产线就发现并行操作处理不了。YOLO在测试集上精度很高，到了现场就发现两个相似动作分不开。一个摄像头拍多个工位省了几百块钱，结果调试成本多花了好几天。这些坑，模型再强也绕不过去。因为它不是算法问题，是工程问题。别在实验室里追求完美方案。先用最简单的架构跑通流程（状态机+单工位+物理隔离），到了现场碰壁了，再根据你的具体痛点选择

第一，工具一体化不可逆。Ultralytics和Roboflow都在建一站式平台。但工业场景的多样性决定了没有一家能覆盖所有需求，组合拳仍将是主流。第二，开源已经够强了。10年前做视觉检测，HALCON几乎是唯一选择。现在开源方案（OpenCV + YOLO + SAM + ONNX）在AI检测场景已经追平甚至超越商业软件。独立开发者和小团队的机会窗口从未这么大。第三，真正的壁垒不在工具，在数据+