机器视觉行业有句行话：90%的图像问题源于打光不当。工控网与多家厂商指出，光源的均匀性、角度和波长选择直接决定成像对比度——一个设计拙劣的打光方案能让顶级相机和算法瞬间变成「睁眼瞎」。例如光滑金属表面用直射光会过曝，改用偏振光源加滤镜即可让划痕显形；而检测红色物体上的黑色瑕疵用同色红光比用白光对比度高出数倍。理解了光学优先原则，才能理解为什么作者说「先光学后算法」是最高优先级策略。

机器视觉的误判直接影响产线成本。过杀是把合格品当缺陷剔除，导致良率虚降、产能浪费；漏检让真实缺陷流出，引发客户信任崩塌。CSDN技术博客指出，过杀主因是阈值偏严或图像干扰（阴影、反光），漏检则源于分辨率不足或算法局限。行业实测数据表明，复杂电路板的传统AOI误判率曾达5%，每条线需3名工人复检；引入深度学习后，误判率降至0.1%以下，复检岗位减至1人。两者是一对跷跷板——收紧标准压低漏检必然推高过杀，产品经理的核心决策是帮客户找到可接受的平衡点。

当前视觉检测还停留在「事后判定」——产品做出来了再看是否合格。但行业趋势正将检测从终检节点前置为全流程的预防性节点。CSDN技术分析指出，结合深度学习与设备振动、温度数据的预测性维护系统，能够在缺陷出现前就预警刀具磨损或工艺漂移。目前已有徐工传动、海尔等案例落地：AI系统不仅检测外观缺陷，还实时分析其与上游工艺参数（如焊接电压、注塑压力）的关联，推动从「检得出」到「治得住」的转变。关键变量在于缺陷数据库的积累速度和跨部门数据打通意愿。

作者在文末提到「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」，但没有展开如何实现。真正值得追问的是：检测系统积累的海量缺陷图像数据，能否通过AI聚类分析追溯到上游工艺参数（如光刻能量、注塑温度）的偏移拐点？海尔AI质检系统已实现将检测结果回传生产线调整，缺陷检出率提升至99.5%。但更棘手的瓶颈在于：不同批次、不同缺陷类型与工艺参数的因果模型如何建立？这要求产品经理不仅懂检测，还要懂工艺和数据分析链路。