不少工厂上马 AI 视觉质检项目后会发现一个尴尬现象：模型在实验室里准确率很高，到了产线却频繁误判。排查下来，问题大多不在算法，而在“喂给算法的图像”——光源角度变了、镜头有油污、触发时序错了几毫秒、换了一批同型号传感器，结果就全变了。
成像链路的每一环都是变量。相机侧，Basler、康耐视等品牌的工业相机在曝光控制与接口稳定性上较成熟，GigE 与 USB3 的选择要看传输距离和电磁环境；镜头侧，景深与畸变直接决定小缺陷能否被拍到，远心镜头在精密件检测中几乎是必需品；光源侧，环形光、背光、同轴光的组合方案需要针对工件材质逐件调试，不能照搬。触发与同步环节，光电传感器、编码器、PLC 的时序配合往往是最容易被忽略的故障源。
更隐蔽的是备件一致性问题。同一型号、不同批次的相机或镜头，在色偏、增益上可能存在细微差异，人眼看不出来，模型却会敏感。做过几年视觉项目的工程师通常会在上线前锁定固件版本，并保留同一批次的备件，替换后重新做一次标定。这个流程看似繁琐，却能避免大量“莫名其妙”的精度下降。
因此，AI 质检项目的预算不应该只算算法和算力，成像硬件、光源方案、备件储备同样要留足。算法决定了能力上限，而光学与传感备件决定了这个上限能不能在车间里稳定兑现。