案例：一家玻璃厂用边缘AI在线检测浮法玻璃缺陷的完整记录

去年年底，一家华南的浮法玻璃厂找到我们。他们的生产线3.6米宽，日产玻璃约600吨，气泡、结石、锡缺陷是长期困扰的质量问题。但最头疼的不是缺陷本身——是质检。

他们的质检工段有8个灯检工，24小时三班倒，站在生产线的冷端用肉眼盯着玻璃看。玻璃以每分钟20多米的速度划过，人要盯着一个3.6米宽的透明平面找微小的气泡和结石。我试了一下，盯了5分钟眼睛就酸得不行。

结果是：出厂后客户投诉缺陷的频率一直降不下来，部分批次退货率到过8%。老板说了一句话让我印象很深——"同样的缺陷，客户那边用强光一看就发现了，我们这边就是看不出来。"

这篇文章记录我们怎么一步步把AI视觉检测方案装上去的。光学方案折腾了比较久，模型调了也有几轮，中间踩了不少坑。

一、现场情况摸底

先去生产线上看了两天。浮法玻璃的生产流程大致是：原料熔化→锡槽成型→退火窑→冷端切割→堆垛包装。我们做检测的位置在冷端，也就是玻璃已经冷却到接近室温、准备切割之前。

到现场后发现几个关键约束条件：

玻璃是透明的——这意味着传统的不透明表面打光方案完全不能用。气泡和结石在透射光下才能看清楚，但又要避免玻璃表面的反射光干扰
玻璃在持续运动——生产线速度约18-22米/分钟，不能停
缺陷尺寸差异大——气泡可以小到0.1mm，结石可以从0.3mm到几毫米不等，锡缺陷（锡沾在玻璃表面形成的光学畸变）更大一些但更难分辨
现场环境——玻璃生产线温度很高（即使冷端也有40多度），有玻璃粉尘，振动机架有一定的振动
IT能力有限——工厂有一个IT兼设备维护师傅，懂一点网络但不了解AI

这些条件决定了：方案不能太贵（老板说先投十几万试水）、不能依赖人工调参、检测速度要跟上产线速度、设备要能适应高温粉尘环境。

二、方案设计

最终方案分三部分：光学采集系统、边缘AI推理、云端可视化管理。

光学方案——花时间最长的一环

玻璃缺陷检测的光学设计比普通视觉检测复杂得多。我们试了好几种方案：

第一次尝试：反射光方案。在玻璃上方打光，相机也朝下。结果玻璃表面反射太强，缺陷根本看不清，只能看到灯光倒影。否决。

第二次尝试：单侧透射光方案。把光源放在玻璃下方，相机在上方拍摄。气泡和结石在透射光下能看到了，但玻璃上下表面都有反射，形成伪影干扰。另外，3.6米宽的玻璃，要实现均匀的背光照明非常困难——LED面板做到这个宽度成本太高，而且热量大。

最终方案：暗场透射光 + 线阵相机。用特制的线光源从玻璃下方以一定角度打光，4K线阵相机在玻璃上方拍摄。线光源和相机同步运动（通过编码器），一行一行地扫描整个玻璃宽度。这个方案的优点是：

线阵相机分辨率高（单行约4096像素），3.6米宽的玻璃理论精度可达约0.1mm/像素
暗场设计：光线只在遇到缺陷（折射率变化）时才进入相机，背景是暗的，缺陷是亮的——信噪比高
线光源功率集中，比大面积LED面板功耗低很多，散热好处理

// 相机参数配置示例
camera_config = {
    "sensor": "CMOS 4K line-scan",
    "resolution": "4096 px",
    "line_rate": "30 kHz",
    "pixel_depth": "8-bit",
    "trigger": "encoder quadrature A+B",
    "exposure": "adaptive (10-50μs based on line rate)"
}

光源选型也试了几种。一开始用红色LED线光源（波长660nm），发现玻璃内部微小的气泡在红光下对比度不够高。换成了蓝色LED（470nm），短波长对微小缺陷的散射更敏感，气泡和结石的对比度明显好了。

边缘端——本地推理

在产线现场部署了一台边缘AI网关（自带NPU加速），承担：

接收线阵相机的图像流（每秒约30,000行，拼接成连续的图像条带）
实时运行缺陷检测模型（YOLOv8n，量化到INT8）
缺陷分类（气泡/结石/锡缺陷/划伤/其他）和位置标注
本地存储7天的检测记录
将检测结果摘要（缺陷坐标、分类、尺寸）上传云端

选择本地推理而非云端有两个原因：一是产线速度太快，云方案的网络延迟不可控；二是图像数据量太大（单条产线每天产生约2TB的原始图像数据），全传云端不现实。

云端——质检看板和数据分析

一个轻量级的Web看板，展示：

实时缺陷分布图（用玻璃平面图标注每个缺陷的位置和类型）
缺陷统计趋势（每班/每日的缺陷数量和分类占比）
质量日报自动生成
缺陷位置热力图（帮助工艺人员判断是哪个工位出的问题）

告警通过企业微信推送到质检主管和工艺工程师的手机。

三、实施过程

第一周：现场安装和打光调试

安装花了大概3天。最麻烦的是机械固定——线阵相机需要稳定的支架，而产线现有的机架有振动。我们做了一个独立的龙门架，把相机固定在龙门架上，与产线机架物理隔离。光源装在玻璃下方，同样独立支架。

编码器安装也折腾了一下。产线驱动辊的编码器信号不稳定，脉冲有抖动，导致图像拼接出现拉伸/压缩。解决方案是在从动辊（无滑差）上加装编码器，信号稳了很多。

// 编码器信号处理
# 原始编码器脉冲有约±3%的抖动
# 用滑动平均滤波器平滑
import numpy as np

class EncoderFilter:
    def __init__(self, window_size=10):
        self.buffer = []
        self.window_size = window_size
    
    def update(self, pulse):
        self.buffer.append(pulse)
        if len(self.buffer) > self.window_size:
            self.buffer.pop(0)
        return int(np.mean(self.buffer))

第二周：数据采集和标注

花了一周时间采集数据。生产线正常运行时采集了大约5000个带有缺陷的玻璃图像片段，另外采集了约2000个无缺陷的片段作为负样本。

标注是个苦活。让我印象比较深的一件事：有一个缺陷区域，我看着像气泡，工艺师傅看了一眼说"这是结石，不是气泡"。我问怎么区别，他说"气泡边缘是圆的亮的，结石边缘不规则而且偏暗"。后来我把这些细节写成标注规范，还拍了对比照片。

不同缺陷类型在图像上的特征总结：

气泡：圆形或椭圆形，边缘有亮环（折射光晕），内部较暗
结石：形状不规则，边缘模糊，内部有不透明颗粒感
锡缺陷：薄膜状，低对比度，呈现浅灰色雾状区域
划伤：细长的亮线，方向沿玻璃行进方向

标了大概3天，我眼都快花了。后来用了一个半自动标注工具——先跑一轮模型初筛，人工修正误检——效率高了不少。

第三周：模型训练和调优

选型上纠结了一下。一开始想用YOLOv8s（大一点精度更高），但在边缘AI网关的NPU上跑不到实时（目标：30fps以上）。换成YOLOv8n（nano版本），量化到INT8后单帧推理约15ms，可以达到约60fps的吞吐，满足产线的实时需求。

训练过程本身还算顺利，但有两个难题：

第一个：小目标检测。0.1mm的气泡在4096像素宽的图像中只占几个像素。YOLOv8n在这种极小目标上的召回率不高。我们加了两个改进：一是在预处理阶段用图像切片（将大图切成多个重叠的patch，每个patch单独检测然后合并结果），二是在训练时用了Mosaic增强和Copy-Paste增强来增加小目标的样本量。

第二个：缺陷种类不均衡。气泡占了约70%的缺陷样本，结石不到15%，锡缺陷更少。模型训练出来对气泡的召回率很高，但结石经常漏掉。我们用了Focal Loss替换默认的损失函数，同时对稀有类别的样本过采样。

# 训练配置要点
model: YOLOv8n
input_size: 640x640 (patches from 4096xN strips)
quantization: INT8 (RKNN)
loss: FocalLoss(alpha=0.25, gamma=2.0)
augmentation:
  - Mosaic (scale 0.5-1.5)
  - Copy-Paste (rare classes only)
  - HSV jitter (hue=0.015, sat=0.7, val=0.4)
  - Random perspective (strength 0.1)

第四周：现场联调和上线

把训练好的模型部署到边缘AI网关上，开始试运行。结果第一个小时就出了状况——误报率太高了，每分钟弹十几个告警。

排查发现两个原因：第一，玻璃表面有灰尘，模型把灰尘当成了缺陷；第二，玻璃边缘区域的照明不均匀，导致边缘部分有大量伪影。解决方案是在后处理阶段加了过滤逻辑——太小的检测框（小于3x3像素）直接过滤掉；玻璃边缘30mm区域降低检测灵敏度。

调整后误报率从每分钟十几个降到了每小时几个，基本可以接受。

教训：模型在实验室数据上表现好不等于在现场好用。环境光变化、玻璃厚度波动、表面脏污——这些在训练集里不可能完全覆盖，必须在现场边跑边调。

四、实际效果

系统上线跑了3个月后，我们统计了几个关键数据：

  缺陷检出率：约95%

  气泡检出率约98%，结石约88%，锡缺陷约82%。锡缺陷的检出率偏低，因为它对比度太低，后续我们换了更高分辨率的相机（6K线阵）来做锡缺陷的专项检测。

  漏检率：从30%+降到约5%

  通过与客户退货数据的对比验证——过去每月平均收到3-4起缺陷投诉，系统上线3个月内只收到1起投诉（经核实是一个2mm的气泡，位于玻璃边缘的检测盲区）。

  灯检人员：从8人减到3人

  原来8个灯检工三班倒，现在只需要3个人做抽检复核。调整下来的员工转到了其他岗位，没有裁员。质检主管说"以前他们站着看8小时，现在坐着看屏幕，轻松多了"。

五、遇到的问题和解决办法

踩坑不少，挑几个印象深的：

1. 光源老化——蓝色LED衰减快

上线后第6周，发现检出率开始下降，调了模型也没用。排查了2天才找到原因——蓝色LED线光源的光强下降了约40%。蓝色LED本身的光衰比红色/白色快，加上产线环境温度高（40多度），加速了老化。解决办法：换成了更高等级的工业级LED线光源（恒流驱动+散热风扇+温度保护），并在系统中加入光源强度自动校准——每天开机时用一个标准反射板检测光强，低于阈值自动报警。

2. 玻璃品种变化导致误报

浮法玻璃有不同厚度（3mm、5mm、8mm、12mm），厚度不同，透光率和折射都不一样。换品种后，模型的误报率会短期升高。解决办法是给每个厚度规格单独建基线（在边缘AI网关上存了4套模型参数），在生产排程变更时自动切换。

3. 编码器打滑导致图像畸变

有一次生产速度从20米/分突然降到12米/分（工艺调整），从动辊编码器发生了轻微打滑，图像出现压缩。后来加了速度传感器做双重校验——如果编码器速度和测速轮速度偏差超过5%，自动做图像校正。

4. 操作工"不信机器"

刚开始质检主管不相信AI检测的结果。有一次系统检出一个小气泡，灯检工复核了3分钟才在半透明区域勉强看到。主管说"这东西比人眼还尖，那以后还要我们干嘛？"后来我们设计了一个"人机复核"流程——系统检出的缺陷在屏幕上标记出来，人工确认后才算正式记录。这样操作工从"被替代"变成"被辅助"，态度转变了很多。

六、我的思考

这个项目做完，有几个感触比较深：

光学方案比模型重要。在很多AI视觉项目里，大家花大量时间调模型，但其实光学设计才是上限。光源角度不对，再好的模型也看不出缺陷。这个项目中，光学方案花了接近一半的时间。

透明物体的AI检测是个被低估的难题。玻璃、塑料薄膜、液体——这些透明介质的缺陷检测与不透明表面完全不是一回事。人眼尚且看不清，机器也不容易。但一旦光学方案对路了，AI反而比人眼稳定。

现场环境对设备的考验远超预期。高温、粉尘、振动、光源老化——这些问题在实验室里根本想不到。工业现场是设备和设备、设备和环境的博弈，AI只是其中一环。

信任比技术更难建立。操作工从怀疑到接受，花了大概两个月。不是靠讲道理，而是靠一次一次的实际验证——系统检出缺陷后，人工复核确认，不断积累信任。到第三个月，质检主管主动说"这个系统开一天的成本多少？能不能24小时开着？"

七、给你的建议

如果你也在考虑类似的项目：

先花时间把光学方案想清楚。透射光/反射光/暗场/明场——试错成本低的是方案，不是采购设备后才发现不对
留出足够的数据采集和标注时间。玻璃缺陷的种类多、特征差异大，标注质量直接影响模型效果
边缘端推理必须做量化，否则NPU发挥不了优势
光源老化是长期运行的常见问题，预留光强校准机制
别想着让AI完全替代人，先做"AI初筛+人工复核"的渐进模式，信任建立后再逐步自动化
玻璃厚度变化会导致模型性能波动，提前做多厚度适配

0.1mm的泡别人看不见：一家玻璃厂用边缘AI在线检测浮法玻璃缺陷的完整记录