AI 视觉分拣上线之后，那 48 个人在做什么
贵阳昌明基地那条辣椒分拣工序被公开讨论，是因为两组数字放在一起：这道工序原先需要 600 多名工人人工挑拣，上线 AI 视觉分拣系统后保留 48 人，做的是机器筛选之后的最终复核把关；企业常务副总李鑫在贵州省质量发展大会上同时披露，关键工序不良率降到 0.02%，2025 年营收 54 亿元创历史新高。至于被撤下产线的那部分人去了哪里，公开信息里没有说明岗位去向，本文不作推断。
抛开争论，这条线在工程上要解决的问题非常具体：传送带上铺着高速移动的辣椒，要在 0.3 秒一帧的节拍里认出霉斑、黑点、破损，再让气流装置把不合格的那颗准确吹进废料箱。农产品视觉分选真正难的地方不在”能不能识别”，而在批次差异、曝光与帧率的取舍、粉尘与光照漂移、执行器响应延迟，以及漏检与误剔的代价不对称这一整串约束。下面按这条线的工作顺序拆开写。
一、难点不是”挑出来”，而是”每一批都不一样”
先把目标分开。霉斑、黑点、破损是三类形态学上完全不同的目标：霉斑是表面绒状团块，对比度低、边界模糊，容易被当成水膜反光或碎屑阴影；黑点是小面积高对比的点状缺陷，尺寸可能接近系统能分辨的极限，一个像素的差别就是”脏”和”病”的区别；破损靠的是轮廓缺口与内瓤外露，判据是形状而不是纹理。三类目标混在一个分类头里、共用一个阈值，结果通常是”黑点检得准、霉斑全漏”。工程上会把它们拆成独立的检测任务，各自定阈值、各自统计漏检率。
第二类变量来自原料本身。产地、采收期、含水率、粒径分布、清洗后残留的水膜，都会让”同一种缺陷”在图像里长得不一样；跨产地混批时，整批图像的均值和方差会一起漂移，看起来像模型退化，其实是原料变了。可执行的做法是把参数快照绑到批次上：相机曝光与增益、白平衡、光源驱动电流、镜头清洁记录、当批的粒径分布，全部随批次号入库。没有这一步，后续任何”识别率下降”的归因都只能靠猜。
第三类变量来自上游。单层摊料是分选精度的前提，辣椒叠在一起时，被压住的那一面等于没有检测过，这部分漏检不是算法问题，任何模型都救不回来。振动给料、翻料与摊料机构的调整，在这类项目里往往比换模型更有效。
二、0.3 秒一帧，是曝光、帧率和照明的三方取舍
“每 0.3 秒扫描一次传送带”这一句里藏着一串硬性约束，取舍关系如下表。
| 约束项 | 物理关系 | 放宽后的后果 | 常见做法 |
|---|---|---|---|
| 曝光时间与运动模糊 | 模糊量 = 带速 × 曝光时间 | 缺陷边缘糊掉，小目标直接消失 | 把模糊量压到最小缺陷尺寸的三分之一以内，属硬约束 |
| 光通量不足 | 短曝光进光少 | 提高增益换亮度，噪声随之上升 | 提高光源功率优先于提高增益，噪声对低对比缺陷影响最大 |
| 触发方式 | 定时采样会随带速变化错位 | 视野重叠或漏行，同一颗被重复剔除 | 用皮带编码器触发采集，带速变了节拍自动跟随 |
| 多相机对齐 | 各相机独立采样 | 同一颗料被两个视野分别判决 | 共用同一触发信号，剔除口按优先级仲裁 |
| 缺陷最小像素数 | 分辨率与视野冲突 | 视野大了像素就薄，小点检不出 | 先按最小缺陷尺寸定 mm/px，再倒推视野宽度 |
| 剔除时序补偿 | 延迟 = 相机到喷阀距离 ÷ 带速 − 阀响应 | 换带速后集中出现漏剔 | 每帧实时计算落点，不做离线标定死值 |
| 镜头污染 | 前玻璃积尘形成固定暗区 | 暗区被误判为阴影，漏检集中在同一位置 | 用无料的空白时段做基线，偏移超阈值告警并触发清洁 |
| 环境光漂移 | 天窗日光随时间与天气变化 | 同一批料在不同时段判据不一致 | 遮光罩加恒光源，把环境光当干扰项处理 |
| 算力位置 | 全图分类耗时不稳定 | 节拍抖动，剔除错位 | 先做 ROI 提取再分类，把重计算挪到帧后队列 |
噪声这一项值得单独强调。霉斑是低对比目标，高增益带来的噪声会直接把它的响应淹掉；黑点是高对比目标，噪声影响小得多。所以”帧率还能不能再提”这个问题，答案不由算力决定，而由最暗那个缺陷类别的对比度决定。我们在类似项目里通常按缺陷类别反推最低信噪比，再看曝光时间够不够，而不是先定帧率再想办法。
三、留下 48 人做最终复核，不是妥协
机器视觉的漏检率与误剔率从来不在同一侧。漏检的代价是一颗带霉斑的原料进入下道工序，最终表现为批次质量风险，损失难以在当班结算；误剔的代价是一颗好料进废料箱，按重量和单价当场可算。两种代价不对称，阈值就该向”宁可误剔”的方向偏。但偏多少必须有依据：偏得太狠，产量损失会从质量成本变成成本问题，这也是不能全自动、必须留人的经济原因之一。
人能处理的东西也和模型不同。第一类是样本外的异常：绳头、塑料片、虫体、成团结块的湿料，这些不在缺陷类别里，模型只会给出一个含糊的分数；第二类是系统自身的故障：喷阀卡滞、气路压力不足、料堆挡住了视野，这些表现是”剔除数与动作数对不上”，需要有地方核对；第三类是非视觉维度：气味、含水率、杂质掺假，摄像头看不到。
复核岗真正应该产出的东西，决定了这 48 人是最后一道质量关口还是单纯的重复劳动：
- 按班次、线体、产地、粒径分层抽检，并留下可统计的记录，而不是随手翻看；
- 回捞样本按缺陷类别归集，把标注结果回流到训练集，形成模型更新的数据来源；
- 优先复核两端：高置信度被剔除的（防误剔吃掉产量）与低置信度被放行的（防漏检带进风险）；
- 记录异常工况标签，如下雨后原料带水、换产地当天、清洗工序异常；
- 每班用留样标准件跑一次，作为线上系统的当日基线；
- 把误剔造成的可计量损失写进日志，让阈值调整有经济口径可依。
岗位内容变了，这点可以客观描述：原来主要靠眼睛连续判断单颗，现在要读参数、判异常、做记录。至于是不是所有人都有机会转到这类岗位，公开信息里没有说明，不在本文讨论范围内。
四、0.02% 这类指标应该怎么验，而不是怎么报
第一步是把口径写死。分母是什么？是颗数、重量、关键工序件数还是批次数？同样的漏检情况，用”每万颗不合格品中放过几颗”和”按批次是否合格”来算，结果可以差几个数量级。指标定义应当在方案阶段就落到纸面，双方签字确认，不留到验收时讨论。
第二步是把一个数拆成两个数。任何单值”不良率”都无法用于验收，必须分开报：漏检率（不合格被判合格）和误剔率（合格被判不合格），并各自给出置信区间。只看前者会掩盖产量损失，只看后者会掩盖风险。
第三步是承认样本量这件事没有捷径。要在统计上支撑 0.02% 这个量级，观测样本需要几万到几十万颗；更麻烦的是，同批次、同产地的样本彼此相关，不能当成独立试验直接套公式，否则置信区间会明显偏窄。可行的组合是三条：
- 分层抽样：按班次、线体、产地、粒径分段，每段独立给结果，重点覆盖边界样本（轻微黑点、边缘霉斑、部分破损），因为边界样本才是决定阈值位置的数据；
- 留样复现：把已经人工标注并留存的标准样品，在换镜头、换光源、换模型版本之后回灌线上跑一遍，与历史记录逐项比对，这一步等价于软件里的回归测试；
- 影子运行：新模型上线前先只判决不出手，与现网结果并行对账若干天，所有分歧样本交人工裁决，用分歧率而不是准确率来决定是否切换。
五、追溯编码要和视觉结果挂在同一个键上
公开信息里提到辣椒、菜籽油、大豆等原料按批次录入数字化编码，可反向追溯到产地与采收批次。这件事要在分选线上成立，需要两个维度交叉：原料批次（产地、采收、入厂检验）与加工批次（日期、班次、线体、设备与算法参数版本），交叉后的单元才是可追溯对象。
实际要落库的字段，比”合格 / 不合格”多得多：
| 字段 | 用途 | 缺了会怎样 |
|---|---|---|
| 剔除事件计数与缺陷类别分布 | 判断当班质量水平 | 只能知道”这一批不好”，不知道差在哪一类 |
| 置信度分布直方图 | 发现阈值漂移与原料变化 | 模型退化前没有任何预警信号 |
| 模型版本与阈值版本 | 事后复现判决 | 无法解释同一批料两次判决不一致 |
| 相机与光源参数快照 | 区分算法问题与成像问题 | 归因只能靠人回忆 |
| 喷阀动作数与实际剔除数差值 | 执行器层硬件证据 | 漏剔会被误记成算法漏检 |
| 图像存证策略 | 复核与仲裁依据 | 争议样本无据可查，标注回流断供 |
图像存证要有量化的取舍：被剔除的样本全存，正常放行的按固定比例抽样存，抽样比例本身写进配置版本。只存剔除图的做法，会让”漏检”永远无法事后确认，因为没留下的图不存在判决依据。
关联的技术做法并不复杂：用编码器的区间计数加批次切换事件，给每段料流打时间区间标签，每帧图像按采集时刻落进对应区间；批次切换由上游投料事件自动触发。人工点的切换时间不可靠，因为它永远滞后于实际切换点。追溯体系的反向能力（从成品倒查到产地与采收批次）就建立在这个区间映射上，映射一断，前面所有识别精度都无法归因。
六、洹拓视角：食品行业上视觉分选的三条判断线
这类需求找到我们时，我们会先过三条线，三条都过硬才建议做，任何一条不过就先补条件。
- 缺陷是否可见。霉斑、黑点、破损属于可见缺陷，适合视觉。农药残留、含水率、掺假、微生物指标看不见，得走理化检测或光谱路线，两者的设备成本、判定周期、集成方式完全不同，用视觉去做等于买一个检不出目标的相机。
- 代价是否可量化。误剔要有公斤单价，漏检要有批次风险损失的估计口径。算不出这两笔账，阈值就无从确定，也无法向管理层证明改造收益，项目会退化成”参数由供应商说了算”。
- 样本是否可得。要覆盖全部产地与全部季节，收集周期可能是半年到一年；稀有缺陷一年可能只凑得出几十颗。还要提前定标注口径：多人判定不一致时以谁为准、是否需要破坏性验证作为金标准。样本拿不到，可以先做单类缺陷的局部上线，不要一次承诺全类目指标。
只过第一条线的项目，结局很常见：验收期靠人工兜底，兜底撤不掉，最后变成”机器做初筛、人工照旧终审”，投入只换回一个报表。反过来说，能长期跑下来的分选线，交付物从来不只有一个模型，而是三件套：双方确认的指标口径、可持续的漂移监控、有明确产出物的复核流程。硬件与算法会换，这三样东西决定了换的时候会不会重新掉坑。