业务痛点
拉链的外观缺陷有两个特点：尺寸小、形态杂。一条三号尼龙拉链的链牙间距不足两毫米，缺牙、歪牙、毛刺、连牙在高速运转下肉眼几乎无法稳定识别；拉头缺陷则表现为变形、掉漆、弹簧失效，需要在不同角度观察。人工全检的现状是：班产上万条时，检验员在第二小时后就进入疲劳期，漏检率快速上升。
- 漏检带来客诉。服装厂在缝制环节发现缺牙，整批成衣面临返工，赔偿金额远高于拉链本身价值。
- 标准不统一。白班与夜班、老员工与新员工对"轻微毛刺"的判断尺度不同，同一批货出现两种结论。
- 人力不可持续。外观检验岗位招工难、流动快，培训周期长，质量随人员波动。
规则视觉在过去十年被大量尝试，但拉链的缺陷边界模糊、反光明显、布带纹理干扰强，靠阈值和模板匹配很难兼顾漏检与误判。深度学习的价值在于从样本中学习缺陷的统计特征，对形态变化更宽容。
技术方案
典型方案由成像、算法与执行三部分组成。成像决定上限，算法决定下限，执行决定能否落地。三者必须一起设计，不能先买相机再找算法。
| 环节 | 关键设计 | 拉链场景要点 |
|---|---|---|
| 成像 | 光源、镜头、触发 | 采用低角度暗场照明突出链牙轮廓，编码器触发保证每条拉链取像位置一致 |
| 算法 | 分类、检测、分割 | 缺牙与连牙用目标检测，毛刺与污渍用分割，拉头外观用分类 |
| 执行 | 剔除、标记、报警 | 气动剔除不良段并打标，连续不良触发停机报警 |
| 数据 | 样本库、回流 | 不良图像自动存档，人工复核结果回流训练集 |
模型选型上，产线边缘设备算力有限，建议使用轻量检测网络，先保证单条拉链的检测节拍与产线同步，再逐步提升精度。对于缺陷样本稀少的品类，可采用异常检测思路，只学习正常样本的分布，把偏离度高的区域判为疑似，再由人工确认。
- 样本策略：按颜色、规格、材质分层采样，金属拉链的反光样本必须单独覆盖。
- 标注规范：先写清缺陷定义与边界，例如"缺牙"指连续缺失两牙以上，避免标注员各自理解。
- 难例挖掘：把误判样本按类型归档，每轮迭代优先补充高频难例。
实施步骤
- 缺陷定义：与品质部共同确定要检测的缺陷清单、判定标准与可接受的漏检率，形成书面规范。
- 样本采集：在真实产线连续采集不少于两周的图像，覆盖不同班次、不同批次与不同光照条件。
- 离线验证：先在不影响生产的环境训练与验证，用留出集评估各类缺陷的检出率与误判率。
- 产线试点：选择一条产量稳定的线体安装，先做报警提示，不直接联动剔除，观察一周。
- 联动剔除：确认误判可控后接入气动剔除，设置连续不良停机阈值，防止批量流出。
- 持续迭代：建立每周复盘机制，统计漏检与误判，按类别补充样本并更新模型。
投入与收益
视觉质检的投入包括相机与光源、工控机或边缘算力、机械安装与算法服务。单工位投入与检测精度、节拍要求强相关，通常按工位逐步复制比一次性全线铺设更稳妥。
| 指标 | 人工全检 | 视觉辅助 |
|---|---|---|
| 漏检率 | 随疲劳波动明显 | 稳定在较低水平 |
| 判定一致性 | 班次之间差异大 | 标准统一 |
| 检验人力 | 每线多人 | 可减少复检岗位 |
| 数据留存 | 几乎为零 | 全量图像可追溯 |
很多工厂低估了数据留存的价值：当客户投诉某批拉链缺牙时，可以调出该批次每一段的检测图像，快速判断是设备问题还是原料问题。YCC 东龙拉链在推广视觉质检时，把图像追溯与缺陷统计放在与检出率同等重要的位置。
风险与误区
- 误区一：以为买相机就能解决问题。没有稳定光源与触发设计，再好的模型也会被成像噪声拖垮。
- 误区二：追求零漏检。任何方案都有代价，应在漏检率与误判率之间找业务可接受的平衡点，并保留人工复核。
- 误区三：一次训练长期使用。原料批次、颜色与设备状态都会漂移，模型需要定期用新样本更新。
- 风险：缺陷定义不清。若品质标准本身模糊，标注与验收都会失去依据，项目必然反复。
视觉质检是"数据+工艺"的联合工程，算法只是其中一环。把缺陷标准写清楚、把成像做稳定、把回流机制建起来，效果自然会出现。