数据编织让我确认了自己做的事情在行业坐标系里的位置——SOP状态机就是车间里最小号的语义网，散装数据编织成Agent可直接消费的告警语义；数据运河让我看清了大基建和小场景的关系——运河是给大船修的，小厂的活路在码头，而且大基建正在替我们抬高市场的认知水位；具身智能让我看清了对手盘也看清了同行者——Scaling Law、模型母机、场景多样性，三句话背后是同一个事实：具体场景的活儿，永远缺人干；词元

指针表读数的坑，按优先级排是这样的：第一，任务定义要清楚。不是检测指针角度，是检测指针角度加上正确的物理量映射。两步缺一不可。第二，现场条件比算法性能更关键。反光、灰尘、水汽、玻璃材质，这些物理层的问题不解决，再好的算法也是白搭。第三，模板匹配和Hough变换都不是指针检测的银弹。根据你的实际场景选择合适的方法，差分法思路好但基准图获取是个难题，多帧中值法是变通手段但前提条件苛刻。第四，从指针检测

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

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。

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