YOLO在工业缺陷检测中的落地实践
工业缺陷检测（Industrial Defect Detection）并不是把通用目标检测模型换个数据集那么简单。产线现场同时存在成像窗口窄、缺陷尺度极端、良品与不良品比例悬殊、节拍以毫秒计算、误判需要可追溯等约束。很多在公开数据集上表现优异的模型，一旦进入车间就会出现漏检、过杀、抖动和停机问题。本文以 YOLO 系列模型为主线，从缺陷定义、成像系统、数据构建、训练调优一路讲到实时推理、部署工程化、上线验收和持续迭代，力求给出一套能够真正落到产线上的方法论。文中的指标、阈值和参数需要根据具体产品与工艺调整，但整体架构和思考方式可以直接复用。
一、工业缺陷检测场景与挑战
1.1 工业缺陷检测的本质与目标
工业缺陷检测的本质，是在有限时间内判断产品是否存在影响功能、外观或装配的异常，并给出异常的位置、类别和严重程度。与互联网图像识别不同，它服务于质量门（Quality Gate），一次判断会直接触发报警、返修、剔除甚至停线。因此，模型输出的不是一个孤立的类别概率，而是质量决策链中的一环。
从系统视角看，工业视觉检测通常包含五个环节：产品到位、触发采集、图像处理与推理、质量判定、执行机构动作。任何一个环节的延迟或误动作，都可能把算法问题放大为生产事故。工程上常用的核心指标包括漏检率（Miss Rate）、过杀率（Overkill Rate，也称误杀率或假阳率）、单件检测节拍（Takt Time）、模型稳定性和可追溯性。算法工程师必须同时理解这些生产指标，而不能只盯住平均精度均值（mean Average Precision，mAP）。
