把视觉算法 做成稳定运行的 工业检测系统

每个客户仍然会有差异

产线空间、产品材质、缺陷标准、速度、剔除方式、PLC 品牌、现场光照和验收口径都不同，所以完全不定制并不现实。样本采集、缺陷训练、光学验证和现场联调仍然是行业常态。

不是从零定制，而是标准组合

成熟厂商通常把相机、镜头、光源、结构、电气、算法、UI、数据库、PLC、日志、守护服务做成标准模块。客户项目只是在模块组合、参数、模型和工装结构上做适配。

利润来自复用率和交付控制

如果每套设备都重新开发、重新画结构、重新接 PLC、重新做界面和报表，项目成本很难下降。规模化企业的核心能力，是把非标需求转化为可报价、可计划、可复用、可验收的交付单元。

从单机检测走向平台和数据闭环

后续竞争不只是模型准确率，而是样本库、模型版本、参数版本、缺陷字典、远程诊断、质量统计和持续迭代能力。谁能沉淀数据，谁就能越做越快、越做越稳。

平台化架构升级

当前多个项目存在相似的 `GlassDefect` 结构，说明底层能力可复用。建议逐步抽象为平台内核：设备层、采集层、算法层、规则层、数据层、UI 层分离，减少项目复制式开发。

• 统一相机接口，屏蔽 DVP、海康、DALSA 等 SDK 差异。
• 统一 PLC/IO 接口，按点位表配置读写地址。
• 统一算法输入输出协议，让不同模型输出都转为标准缺陷对象。
• 统一日志、异常、配置和版本管理，便于跨项目维护。

算法工程化与模型管理

竞品成熟方案通常不仅交付模型文件，还具备模型版本、数据集版本、阈值版本和效果评估记录。建议建立模型全生命周期管理，避免模型、标签和配置脱节。

• 模型命名包含项目、产品、明暗场、大小模型、版本号和日期。
• 建立标签字典，统一英文标签、中文名、业务归类和判定指标。
• 每次模型替换必须记录召回率、误检率、节拍和适用产品。
• 保留离线回放工具，用同一批图片对比不同模型和参数效果。

数据闭环与持续学习

真正的壁垒来自现场数据闭环。系统应能沉淀 OK/NG 图片、误检、漏检、复判结果和客户反馈，形成持续迭代的数据资产。

• 建立缺陷图库：原图、裁剪图、二值图、轮廓图、判定结果统一归档。
• 增加复判字段：人工确认 OK/NG、误检原因、漏检原因、处理人。
• 按产品、批次、相机、缺陷类型统计质量趋势。
• 让现场数据反哺模型训练和阈值优化。

配置中心与低代码化调试

现有配置项已经较多，后续要避免配置分散、名称不统一、现场手改难追溯。建议建设配置中心或标准配置界面，让实施人员可控地调整参数。

• 将模型路径、缺陷阈值、相机 ROI、PLC 点位、保存策略分组管理。
• 每次参数修改保存版本、修改人、修改时间和备注。
• 关键参数提供范围限制和说明，避免现场误改。
• 支持一键导入/导出客户产品配置，方便复制产线。

现场实施标准化

竞品强项往往在交付标准化：相机标定表、光源记录表、PLC 点位表、验收样本包、故障排查表。建议把实施经验文档化，减少对个人经验依赖。

• 项目启动前输出《成像方案确认表》和《缺陷标准确认表》。
• 联调阶段输出《PLC 点位表》《节拍测试表》《误检漏检统计表》。
• 验收阶段保留测试样本、参数版本、模型版本和验收报告。
• 交付阶段提供运维手册、备份策略和恢复流程。

软件质量与可维护性提升

现有代码能支撑项目落地，但后续要提升可维护性和团队协作效率。建议减少大类堆积、强化模块边界、补充自动化测试和诊断工具。

• 拆分超大流程类，明确采集、推理、判定、保存、通讯职责。
• 为算法后处理、坐标转换、阈值判定增加单元测试或回放测试。
• 统一异常处理和日志格式，关键链路输出耗时和状态。
• 建立代码规范、发布清单和版本变更记录。