不少产线的视觉检测系统在验收时指标漂亮，运行三个月后操作工开始抱怨天天误报，最后干脆把检测工位当摆设。过杀率——把良品判成不良品——上升，通常不是模型退化了，而是成像条件变了。一线调试的经验是，误判问题里大约八成能追溯到光源，而不是算法。
不同缺陷需要不同的照明几何。金属表面的细微划痕要靠低角度暗场，让划痕的散射光凸显出来，用普通环形光正面打，划痕和背景的对比度根本拉不开；镜面件的高光要用同轴光或加偏振片压掉；透明件的内部杂质要用背光看透射。有案例记录，同一台相机、同一套算法，把环形光换成低角度暗场后，金属件划痕的误判率从15%降到1%以下。另一个隐性变化是光衰：LED光源连续工作两三年后亮度会下降20%到30%，如果控制器不是恒流驱动，衰减还会带来亮度波动，成像一致性直接崩掉。
过杀和漏检是一对矛盾，阈值就是在这条曲线上找一个可接受的点。把阈值调严，漏检降下来，过杀升上去；调松则相反。真正要盯的不是单一准确率，而是两个独立指标：漏检率必须低于客户与法规要求，过杀率要压到产线能承受的水平。业界量产验收常用的基线是过杀率2%到3%以内、漏检率0.5%以下，普通照明工况可取上限，深色吸光或高光波动大的困难工况通常要靠双通道融合才压得住。这两个数字必须写进验收条款并明确口径，否则后期扯皮没有依据。
样本库是第二个高频失效点。多数系统的模型是在调试期用几十个缺陷样本训出来的，覆盖的缺陷类型有限。量产之后换供应商、换材料批次、换模具，表面纹理一变，模型见到的是没见过的分布：要么认不出来，要么把正常纹理当成缺陷。可行的做法是建立月度闭环，把产线判定的争议件和复判确认的漏检件收集起来标注入库，定期重训并做回归测试，确认老缺陷没有被新模型丢掉。
验收方式决定系统能不能长期可用。建议用不少于2000件连续生产件做抽样，覆盖换模批次、来料批次差异和车间光照波动，而不是只看实验室里的理论值。硬件上还有两个常被忽略的余量：相机分辨率要按最小可检缺陷倒推，缺陷识别精度至少要到2乘2像素，实际选型通常留2到3倍冗余；帧率要按产线峰值速度算，视场5厘米、线速0.5米每秒时至少需要10帧每秒，还要给算法留处理时间，实际选30帧每秒以上才稳。
视觉系统的稳定性是维护出来的，不是买出来的。把光源衰减、样本漂移、阈值口径这三件事纳入日常点检，比换一套更贵的算法模型有效得多。很多工厂在新系统上线时舍得投入，却在两三年后连光源亮度还剩多少都不知道，问题就在这里。
