机器视觉检测的交付只是起点，真正决定复购的是需求落地的全过程。本文从产品经理视角，完整拆解主动检测与投诉处理两大场景，梳理图像采集、特征提取到判定输出的闭环链路，并给出光学优先、算法其次的优化策略，帮你建立拆解任何检测需求的通用框架。

上一篇《我所了解的机器视觉检测产品应用（1）》聊了机器视觉检测在产线上的典型应用。之后陆续有同行问我：一个检测需求从客户提出，到产线稳定运行，中间到底经历了什么？

这个问题问到了点子上。检测设备交付只是开始，真正决定客户会不会复购的，是需求落地的全过程。这篇文章就把这条链路完整拆一遍——它分两个场景：一是产品缺陷的主动检测，二是客户投诉之后的过杀/漏检处理。两个场景首尾相接，构成一个闭环。

一、先把“检测”翻译成产品语言

客户提需求时说得都很简单：“帮我检一下划痕。”

但产品经理不能只听这一句。任何视觉检测需求，拆到底都是四个环节的组合：图像采集、图像处理、特征提取、判定输出。

这四环环环相扣，且失败会向下传导：图像采集时光源没打好，后面特征提取再强的算法也救不回来；特征提取没有把缺陷量化成可比较的数值，判定输出就只能靠“看起来像”。

所以需求分析阶段，PM 要做的，是把客户的一句话变成四环里各自的输入与验收标准：用什么相机、什么光源，缺陷的定义是什么，公差是多少，NG 之后走复检还是报废。这些问题的答案，客户往往自己也说不完整——把它们挖出来，就是检测产品经理的核心工作。

二、场景一：产品缺陷主动检测，从一块带缺陷的样品开始

主动检测的起点，是客户提供带有缺陷的实物样品。整个流程五步：

第 1 步，问题输入与产品标记。客户明确缺陷的位置与特征（划痕、异物、颗粒），我们在样品上标注缺陷区域。这份标注是后续所有图像采集与算法调试的基准——基准标歪了，后面全歪。

第 2 步，图像采集。这里有个分叉：采图成功，进入特征标记；采图失败（图像根本没拍到），就要回头检查光学系统——镜头对焦、光源亮度，或者硬件故障如相机触发信号。实际项目里，“没拍到”比“拍糊了”更常见，也更值得先排查。

第 3 步，光学成像与特征标记。图像模糊、畸变，就调整光源角度、焦距，或更换高分辨率镜头。特征标记分两条路：没配自动标记算法（VPK）的，人工标注；配了的，用预置检测算子（边缘检测、模板匹配）自动提取。

第 4 步，缺陷检测与算子验证。这是整个流程里 PM 最需要盯的一步，核心是分清两层：

• 算法层：算子没配置，就新增对应缺陷类型的算子（颗粒检测、裂纹识别）；配置了但特征差异没超公差，就调预处理参数——滤波强度、对比度增强，把特征“提”出来。
• 客户层：缺陷没超客户标准（比如尺寸 ≤0.1mm），判定合格（Pass）；超了，再看是哪层超差——算法层超差，放宽算子公差参数（如允许的灰度差异范围）；客户层超差，触发 NG 判定，进入复检或报废流程。

第 5 步，结果反馈与优化。改善成功，更新检测参数并同步至产线；改善失败，回到光学系统或算法模型重新调整，直到缺陷稳定检出。注意“稳定”两个字——偶尔检出不算数，产线要的是批次级的一致性。

三、场景二：客户投诉了，过杀和漏检是两道不同的题

设备跑起来之后，投诉迟早会来。投诉分两类，方向完全相反：

• 过杀：把合格品误判成缺陷。后果是良率虚低、产能浪费，客户嘴上不说，成本账算得很清楚。
• 漏检：真实缺陷流了出去。后果是客户端爆雷，直接动摇信任。

处理投诉的第一步不是急着改参数，而是调历史图——从数据库检索该批次产品的原始检测图像，定位问题出在哪。历史图就是检测系统的“飞行记录仪”。

根因通常落在三处：

1. 图像没拍到：查硬件稳定性——相机触发延迟、信号干扰，优化成像流程与触发时序。
2. 拍到了但算子没覆盖：这类缺陷是“新面孔”，增补对应检测算子。
3. 参数偏差：预处理不足（降噪、锐化不够）或公差设置过严，调整参数。

校准方向也因投诉类型而异：过杀往回收——收紧特征筛选、放宽公差、在 NG 判定前增加复检步骤；漏检往外扩——强化预处理、新增缺陷特征库。若碰到客户标准本身与产线能力冲突，就要协调客户重新定义验收阈值，而不是硬调设备。

校准之后必须闭环验证：用更新后的参数复测历史图，确认问题解决，再部署到产线、持续监控后续批次良率波动。跳过复测直接上产线，等于把客户产线当试验场，这是大忌。

四、优化策略：排优先级就是排性价比

三条经验，按优先级排：

1. 先光学，后算法。成像清晰度问题（光源均匀性、镜头分辨率）永远优先解决。光学是乘法，算法是加法——光学不行，算法补不动。很多“算法调不好”的项目，根因在打光。
2. 算法内部有顺序：优化预处理（滤波、增强）→ 调整算子公差 → 增补检测逻辑。从改动小、风险低的开始。
3. 数据驱动与跨部门协同。建立缺陷数据库，用机器学习自动分类缺陷并推荐优化参数；同时与工艺团队联动，把检测结果反馈至制造端（如光刻/刻蚀参数调整）——检测的终点不是拦下不良品，而是让不良品不再被生产出来。

五、写在最后

把两个场景串起来看：主动检测从样品走到产线，投诉处理从产线回到历史图，一进一出形成闭环。对产品经理来说，这套流程的价值不在流程图本身，而在它给了一个拆解任何检测需求的框架——先定四环节的输入输出，再按场景走闭环，遇到问题按优先级排查。

下一篇（3），打算聊聊检测设备的选型与 POC 验证：客户预算有限时，PM 怎么帮他在“检得出”和“买得起”之间做取舍。对这个话题有想聊的，欢迎留言。