一条冲压件的视觉AI质检线，上线三个月误报率从2%爬到8%，工程师换了两次模型版本都没压下去，最后发现是车间顶灯改造后环境光变了——工件反光区域整体亮了一档，AI把反光斑当缺陷学了一路。这是AI视觉项目里最典型也最便宜的教训：打光没锁死，模型再准也白搭。
金属件AI质检的误报，根因多半在光，不在算法。反光面的高光斑随工件摆放角度变化，在图像里和划痕几乎无法区分；白色卤素灯与厂房天光的色温差，会让同一处缺陷在不同班次呈现不同灰度；频闪的LED灯管和相机曝光不同步，图像亮度逐帧波动，模型阈值怎么调都顾此失彼。先查光再查模型，顺序颠倒过来，很多"调不动"的AI项目其实一天就能破案。
现场四步排查：第一步固定环境——相机工位加遮光罩，把天光和顶灯隔掉，让成像只吃光源的光；第二步换光型——反光金属面用穹顶光源或同轴光，把镜面反射变成漫反射，高光斑立刻收敛；第三步加偏振——光源和镜头各加一片偏振片并正交布置，多数镜面反光能压掉七成；第四步锁参数——光源亮度、相机增益、曝光时间全部写死在配方里，换班不许多动。
验证方法很简单：把误报的十几个样本调出来，在改光前后各拍一组，肉眼先看缺陷特征是否稳定。改光比调模型便宜得多——一套穹顶光源加偏振件几千块，模型重训一轮要两周的数据和算力。多数情况下改完光照，原模型的误报直接降一半以上，再决定要不要重训；重训时也别把改光前的旧图混进训练集，新旧光照混着喂，模型反而学出一套谁都不像的特征。
选型上，现在不少视觉设备已把AI推理做进传感器端。以得利捷（Datalogic）的智能视觉传感器为例，支持在端侧完成缺陷分类，但厂商文档同样把光源配置列为部署前置条件——AI解决的是"特征稳了之后的判别"，光照解决的是"特征稳不稳"。采购时让供应商用自家工件现场打光试拍，比看参数表实在。
运维动作也简单：把光源纳入点检——每周核对一次光源亮度与角度，灯珠老化会让光强慢慢衰减，半年下来图像整体变暗，误报漏报都会冒头。光源备件按工位备一套，换灯十分钟，比停线等模型工程师强得多；遮光罩、偏振片这类小件也随手备着，顶灯改造、设备挪位之后第一时间恢复成像环境，AI质检线就能一直稳在验收时的水平上。
