企业官网建设流程全解析

做锂电后段工序的朋友，对“极片裁切毛刺”这个词一定不陌生。它潜伏在模切、分条、极耳成型每一道工序里，一旦刺穿隔膜，轻则微短路引发自放电，重则直接热失控。这几年我在产线上做视觉检测，检测工具链一直围绕 Baumer 相机配合 OpenCV 和 Halcon 这套组合来搭。今天把“防止内部短路”背后真正需要落地的 5 个核心检测方法，连同可以抄作业的实战代码一起整理出来，给正在做锂电视觉检测或者准备上这套系统的朋友参考。

这篇文章适合三类人：做锂电池设备集成、调视觉方案的工程师；工厂里负责量测系统导入和维护的工艺人员；以及刚入门工业视觉、想搞清楚 OpenCV 和 Halcon 在真实项目里怎么用的学习者。我会从需求原理讲到硬件选型，再逐个拆解方法，最后把现场高频坑和排查思路一并说透。

1. 为什么极片毛刺会捅破安全底线：检测需求拆解

1.1 毛刺如何演变成内部短路

锂电池内部是由正极片、隔膜、负极片一层层卷绕或叠片组成的，隔膜的作用就是隔开正负极，让锂离子通过但不让电子直接通过。极片在裁切时，金属箔材边缘受力后会产生不同程度的翻边、卷曲、尖刺，这些就是“毛刺”。毛刺一旦穿透隔膜，正负极之间就建立了电子通路，内部电流直接短路，电芯局部发热，紧接着就是容量跳水、内阻升高，严重时会发生热失控。

这里需要纠正一个常见认知：并不是所有毛刺都会当场刺穿隔膜。很多毛刺只是“凸出来一截”，但在后续卷绕、热压、充放电过程中，机械振动加上锂枝晶生长，会让毛刺逐步刺穿隔膜。所以我一直建议，检测标准不要只看“当前是否刺穿”，要看毛刺的高度、长度、形态、数量是否超出工艺冗余量。一般电芯厂内部会有标准，比如极片边缘毛刺高度控制在 15~30μm 以下，极耳根部毛刺要求更严。不同工艺段差异很大，检测方案必须能适配不同阈值。

1.2 被检对象与缺陷图谱

被检对象是正极（铝箔涂布）和负极（铜箔涂布）的裁切边，常见位置包括：

• 分条后的长边毛刺；
• 模切后的极片轮廓边缘，尤其是尖角处；
• 极耳根部裁切口；
• 卷绕或者叠片前的单片极片边缘。

毛刺的形态种类很多，我归纳成四类：

检测难点在于：极片表面有涂层纹理，黑色负极材料吸光，而裁切边缘金属暴露，反光特性差异大；毛刺尺寸极小，往往只有几个像素；产线速度又常常在几十米每分钟以上。所以整套方案必须从相机、光源、镜头到算法一起考虑，不能只盯着某个软件工具。

2. 检测系统硬件事先设计：光源、镜头与Baumer相机选型

2.1 Baumer相机为什么适合锂电毛刺检测

Baumer（堡盟）在锂电视觉检测里出现频率很高，我自己的体会是它有几个点特别贴合这种场景：

• GigE Vision / GenICam 标准协议，跨平台接入方便，无论是接 OpenCV、Halcon 还是自研 C++/C# 程序都很少遇到“协议锁死”的问题；
• 相机画质扎实、宽动态表现好，对高反光边缘和暗色涂层的同框场景能保留更多灰度细节；
• 面阵和线阵产品线都全，锂电极片检测既可以用面阵做单片检测，也可以用线阵做连续分条检测；
• 稳定性和长时间运行表现好，锂电产线往往 24 小时不停机，频繁掉线、丢帧的相机在这种工况下是灾难。

选型时不要盲目追高分辨率，要根据检测精度和视场反推像素数。比如要求检测毛刺高度 20μm，考虑亚像素提升，光学分辨率至少要 10μm/pixel，那么视场宽度 100mm 就需要 100mm ÷ 10μm = 10000 像素。如果相机只剩 5000 像素，那物理精度只有 20μm/pixel，亚像素也救不回来，必须换更高分辨率相机或缩小视场分几次拍。

2.2 光学方案选型与成像优化

很多人做毛刺检测，上来先调算法，结果怎么调都测不准，问题大概率出在成像。毛刺本质是边缘的微小几何凸起，光线在毛刺尖角和正常边缘上的反射差异，决定了它在图像里能不能与背景分开。

我常用光源方案有两种：

• 高角度环形光或条形光：让光以较大角度打在极片边缘，毛刺凸起处会形成明显的镜面反射亮点，适合尖刺和翻边检测；
• 同轴光：光线垂直照射，对被检表面反光均匀，对高反光基材上的暗色缺陷更友好。

如果极片边缘本身是金属亮面，建议优先试同轴光；如果是黑色负极涂层吸光严重，反而要压低环境光干扰，用高角度光源让毛刺亮起来。光源颜色也有讲究，蓝光波长短，衍射弱，在细小尺寸测量上通常比白光、红光更容易获得锐利边缘。不要小看这一点，毛刺高度只有几十微米的时候，光源波长带来的边缘模糊直接影响测量一致性。

镜头方面，远心镜头是首选。普通微距镜头在不同工作距离下放大倍率会轻微变化，机械振动、极片上浮都会改变测量值；远心镜头能保证一定景深范围内图像尺寸基本不变，这对精密测量太重要了。不过远心镜头通常价格高、体积大，在空间受限的工位上，也可以考虑低畸变定焦工业镜头加严格机械限位。

2.3 触发与传输链路搭建

运动中的极片裁切边检测，最稳的做法是硬件触发 + 编码器同步。相机由编码器信号触发，极片走多少距离拍多少张，图像不会因为速度波动而拉伸或欠采。软件触发只适合步进式定位拍照，如果用在匀速运动的分条机上，极片速度稍微波动，图像里的毛刺就糊了。

传输链路我用的是 GigE 方案，要注意网卡配置。GigE 相机全分辨率高帧率下，需要开启巨型帧（Jumbo Frame），并且 Camera Link 或网卡中断调节要合理，否则就会遇到莫名其妙的画面撕裂、丢帧。带宽计算也简单：帧率 × 宽 × 高 × 像素深度，别超过网卡实际可用带宽。比如 500 万像素相机、8bit、60fps，数据量是 500万×8×60 ≈ 2.4Gbps，超过千兆网极限，这时候就需要万兆网卡、多网卡分流或者降低帧率。

3. 防止内部短路的5个核心检测方法

3.1 方法一：Blob分析快速找毛刺（OpenCV findContours）

这是最简单、速度最快的一类方法，适合毛刺与背景对比度足够清晰的场景。思路是：把极片裁切边缘区域裁出来，用二值化把毛刺和背景分开，再通过findContours找出所有独立连通域，按面积、长度、宽高比等几何特征筛掉噪声。

OpenCV 里的findContours大家都很熟悉，但实际项目中需要注意轮廓提取模式。毛刺通常是边缘上的局部凸起，如果背景噪声较多，用RETR_EXTERNAL外部轮廓就够了，因为我们要的是最外层缺陷；如果毛刺中间有孔洞，才需要RETR_CCOMP这类带层级关系的提取方式。

一个基础示例：

import cv2 import numpy as np # pixel_size_um：单个像素代表的物理尺寸，由标定得到 pixel_size_um = 5.0 min_area = 30.0 # 最小面积，单位像素 max_burr_height_um = 20.0 img = cv2.imread("electrode_edge.png", cv2.IMREAD_GRAYSCALE) blur = cv2.GaussianBlur(img, (5, 5), 0) # 毛刺是亮目标就用 THRESH_BINARY，是暗目标就用 THRESH_BINARY_INV _, thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 开运算去掉零星小点 kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) opened = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel) contours, hierarchy = cv2.findContours( opened, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) defect_list = [] for cnt in contours: area = cv2.contourArea(cnt) if area < min_area: continue x, y, w, h = cv2.boundingRect(cnt) # 毛刺一般窄而长，过圆的或过扁的更像噪声 if w > 5 * h or h > 5 * w: continue burr_height_um = h * pixel_size_um if burr_height_um > max_burr_height_um: defect_list.append((x, y, w, h, burr_height_um)) # defect_list 里就是超标的毛刺区域

这方法的优点是快，单幅图毫秒级搞定，适合初筛。缺点是只依赖灰度和几何信息，当极片表面有涂层颗粒、碳粉、水渍时，很容易误判。所以它通常作为第一级检测，快速抓出可能的毛刺，再交给后续方法复核。

3.2 方法二：形态学顶帽变换提取弱对比毛刺（OpenCV）

很多时候毛刺的灰度差并没有那么高，直接二值化会漏检。这时候我会用顶帽变换（Top-Hat）。形态学顶帽就是原图减去开运算结果，能提取比周围背景更亮的细小特征；黑帽变换（Black-Hat）则提取更暗的细小特征。毛刺在合适光源下往往是边缘上的一小段亮凸起，顶帽变换可以把这种局部灰度异常从大面积背景里分离出来。

核的大小选择是关键。核太大会把边缘正常纹理也当成毛刺，核太小又提不出完整毛刺形态。我通常按毛刺宽度换算：先标定出单个像素尺寸，假设毛刺宽度目标是 30μm，像素尺寸 5μm，那么核宽至少 6 个像素。实际可以取 9~15 个像素，保留一定余量。

import cv2 import numpy as np img = cv2.imread("edge_low_contrast.png", cv2.IMREAD_GRAYSCALE) blur = cv2.GaussianBlur(img, (3, 3), 0) # 顶帽核：水平方向核，用来提取边缘上的竖向毛刺 kernel_w = 11 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (kernel_w, 1)) tophat = cv2.morphologyEx(blur, cv2.MORPH_TOPHAT, kernel) # 自适应阈值，适应不同区域的照明差异 threshold_val = 12 _, bw = cv2.threshold(tophat, threshold_val, 255, cv2.THRESH_BINARY) # 后面同样用 findContours 筛选 contours, _ = cv2.findContours(bw, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: area = cv2.contourArea(cnt) # 继续按面积、宽高比筛选

这个方法的优势是对低于直接阈值的微弱毛刺更敏感。注意，顶帽变换对光源稳定性要求更高，如果图像整体亮度波动大，阈值需要做成动态的，比如按每帧灰度均值微调。

3.3 方法三：Halcon亚像素边缘测量毛刺尺寸（measure_pos）

OpenCV 擅长快速找区域，但要做严格尺寸测量，我更喜欢用 Halcon 的测量工具。Halcon 的measure_pos、measure_pairs可以在指定 ROI 内沿矩形长轴方向提取亚像素边缘位置，因为会对灰度剖面做高斯平滑并计算边缘响应极值，定位精度可达亚像素级别。

毛刺测量思路是把测量窗口放在极片边缘上，窗口沿着边缘法线方向提取边缘点。正常边缘应该是条直线，毛刺位置边缘会明显凸出，计算凸出偏移量就是毛刺高度。

HDevelop 示例：

* 读取图像 read_image (Image, 'electrode_edge.png') get_image_size (Image, Width, Height) * 在边缘位置生成一个测量矩形 * 参数：中心行、中心列、角度、长度半径、宽度半径、插值方法 gen_measure_rectangle2 (MeasureHandle, 260, 512, 0, 100, 20, Width, Height, 'nearest_neighbor') * 沿测量矩形法线方向提取边缘 * Sigma 平滑系数，Threshold 边缘对比度阈值 measure_pos (Image, MeasureHandle, 1.0, 15, 'all', 'all', RowEdge, ColumnEdge, Amplitude, Distance) * 将边缘点生成亚像素轮廓 gen_contour_polygon_xld (Contour, RowEdge, ColumnEdge) * 拟合直线，用于计算毛刺凸出量 fit_line_contour_xld (Contour, 'tukey', -1, 0, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist) * 计算每个边缘点到拟合直线的距离 distance_pl (RowEdge, ColumnEdge, RowBegin, ColBegin, RowEnd, ColEnd, DistanceArray) * 筛选出凸出距离超过阈值的点，即为毛刺 threshold (DistanceArray, BurrIndices, 0.8, 9999) defect_count := |BurrIndices|

这里fit_line_contour_xld用'tukey'参数比较抗离群点，因为毛刺本身就是偏离直线的点，如果算法把毛刺也一起拿去拟合，会把参考直线拉斜，导致之后算出来的毛刺高度被低估。这一点是实际使用中很容易踩的坑。

Halcon 的测量算子单位都是像素，最终毛刺高度要乘以标定系数换算成 μm。标定系数可以用已知宽度的标准片拍照计算，或者用高精度标定板做像素当量标定。

3.4 方法四：Halcon模板匹配定位+局部区域检测（应对误报）

极片在产线上不可能停得纹丝不动，机械振动、输送带不均匀都会让检测区域有偏移。如果直接固定 ROI，毛刺可能因为位置偏移落到 ROI 外，或者正常的边缘纹理被切进 ROI 而误检。这时候要先做模板匹配定位，再在匹配到的位置切开局部检测区域。

Halcon 的create_shape_model/find_shape_model很成熟。先用一张标准无缺陷图像建模板，运行时找到极片位置和旋转角度，再利用仿射变换把检测 ROI 映射到当前图像上。

* 离线建立模板 read_image (ModelImage, 'electrode_template.png') create_shape_model (ModelImage, 'auto', rad(-45), rad(90), 'auto', 'auto', 'use_polarity', 'auto', ModelID) * 在线检测 read_image (Image, 'electrode_current.png') find_shape_model (Image, ModelID, rad(-45), rad(90), 0.5, 1, 0.5, 'least_squares', 0, 0.9, RowMatch, ColumnMatch, AngleMatch, Score) * 建立从模板坐标到当前图像的变换矩阵 vector_angle_to_rigid (0, 0, 0, RowMatch, ColumnMatch, AngleMatch, HomMat2D) * 将预先定义的检测区域变换到当前图像 affine_trans_region (MeasureRegion, MeasureRegionTrans, HomMat2D, 'nearest_neighbor') * 在变换后的区域内做毛刺检测 reduce_domain (Image, MeasureRegionTrans, ImageReduced)

匹配参数需要说明的是MinScore和NumMatches，我一般设置MinScore=0.5~0.7，只找最高分一个匹配，避免极片边缘重复纹理干扰。如果现场有多个极片同时拍照，NumMatches按实际数量设。这里还有个小技巧：模板区域不用太大，包含极片边缘附近一个小局部足够，选区太大反而容易受其他图案影响。

3.5 方法五：深度学习辅助分类，压低误报率（YOLO/Halcon DL）

前面几种方法本质都是靠灰度、几何特征来判定毛刺，但产线上会有很多“长得像毛刺但不是毛刺”的东西，比如涂层颗粒、灰尘、刮痕导致的反光。这些用传统视觉方法很难完全滤干净，留到最后往往会变成大量误报停机。

深度学习方法能从根本上解决一部分这类问题。我实践中用得比较多的是两类：

• 目标检测：把毛刺当作小目标，训练 YOLO 类模型，输出毛刺的候选框和置信度。小目标训练比较吃数据，但毛刺语义简单，几百张标注图也能有可接受效果；
• Halcon 深度学习分类/分割：Halcon 提供read_dl_model、apply_dl_model等算子，可以直接加载训练好的深度模型，对传统方法检出的候选区域做二次分类，判断它是不是真实毛刺。

我用 Halcon 做二分类的简化流程是这样的：

* 加载训练好的深度学习模型 read_dl_model ('burr_check.hdl', DLModelHandle) * 对裁剪出来的候选区域推理 * ImageCandidate 是候选毛刺区域的图像 apply_dl_model (DLModelHandle, ImageCandidate, [], [], DLResultHandle) * 取类别概率 get_dl_model_result (DLResultHandle, [], 'classification', 'scores', Scores) get_dl_model_result (DLResultHandle, [], 'classification', 'classes', Classes)

深度学习最大的坑是数据和验证。标注毛刺时，不同形态、不同角度、不同光照下的毛刺都要覆盖，否则模型在没见过的条件下会乱跳。而且工业现场对误杀很敏感，我通常把深度学习放在传统检测的“候选列表”后面，只用来做复核，不直接做第一检测层。这样毛刺召回率靠传统方法保证，误报率靠深度学习压下去，两种方法各自发挥优势。

4. 完整实战代码：从Baumer取图到毛刺尺寸输出

4.1 相机取图环节

Baumer 相机通常提供 BGAPI SDK 或者符合 GigE Vision 标准的驱动程序。如果是 C++ 项目，可以直接调用 Baumer 的 BGAPI SDK 采集；如果是 Python 快速验证，也可以使用 harvester（一个开源的 GenICam 客户端库）或者 Baumer 提供的 Python 包装。采集流程基本一致：枚举相机、设置分辨率/曝光/增益、开始采集、等待触发、取回图像数据。

我用通用思路写一个流程：

# 伪代码演示核心取图流程，不同SDK接口略有差异 import numpy as np from harvesters.core import Harvester # 创建采集器并加载Baumer的GenTL Producer h = Harvester() h.add_file("baumer_gentl_producer.cti") h.update() cam = h.create_image_acquirer(0) cam.remote_device.node_map.ExposureTime.value = 80.0 # 曝光时间 μs cam.remote_device.node_map.Gain.value = 0.0 # 增益 cam.remote_device.node_map.TriggerMode.value = "On" cam.start_acquisition() with cam.fetch_buffer() as buffer: component = buffer.payload.components[0] frame = component.data.reshape( component.height, component.width, component.num_components ) # frame 就是可交给 OpenCV 处理的图像

ExposureTime和Gain不是随便填的，我一般先固定曝光让图像亮度达到灰阶中值附近，再把增益控制在 0~6dB 以内。增益太高噪声被放大，毛刺测量值会抖动；增益太低暗部细节丢失，微小毛刺和背景黏在一起。曝光时间则要根据产线速度和拖影限制来设，运动模糊允许量通常为 0.5~1 个像素，速度乘以曝光时间要小于这个值。

4.2 OpenCV端完整毛刺检测流程

把取图、标定、TopHat、Blob、结果输出串成一条完整流程，大概是下面这样。

import cv2 import numpy as np # ===== 标定参数 ===== pixel_size_um = 5.0 max_height_um = 20.0 min_area_px = 25.0 kernel_size = 11 # ===== 假设已经通过相机拿到一帧灰度图 ===== frame = get_frame_from_camera() # 由4.1节接口获得 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (3, 3), 0) # ===== 第一步：顶帽提取亮毛刺 ===== kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (kernel_size, 1)) tophat = cv2.morphologyEx(blur, cv2.MORPH_TOPHAT, kernel) _, bw = cv2.threshold(tophat, 12, 255, cv2.THRESH_BINARY) # ===== 第二步：连通域分析 ===== num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(bw, connectivity=8) results = [] for i in range(1, num_labels): area = stats[i, cv2.CC_STAT_AREA] width = stats[i, cv2.CC_STAT_WIDTH] height = stats[i, cv2.CC_STAT_HEIGHT] if area < min_area_px: continue if width > 5 * height or height > 5 * width: continue # 毛刺高度按连通域高度估算 height_um = height * pixel_size_um if height_um > max_height_um: x = stats[i, cv2.CC_STAT_LEFT] y = stats[i, cv2.CC_STAT_TOP] results.append((x, y, width, height, height_um)) # ===== 第三步：输出与显示 ===== if results: for r in results: x, y, w, h, hm = r cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2) cv2.putText(frame, f"{hm:.1f}um", (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1) cv2.imshow("result", frame)

这里用connectedComponentsWithStats而不是findContours，是因为它一次就能拿到面积、外接矩形、质心，少一层循环，代码也更干净。实际项目中如果要画轮廓，再用findContours也行。

4.3 Halcon端毛刺测量代码示例

Halcon 的优势在于测量算子和匹配算子成熟，适合对精度要求高的终检。我把模板匹配定位、测量、结果输出串成一个完整例程：

* 初始化 dev_close_window () read_image (Image, 'electrode.png') get_image_size (Image, Width, Height) dev_open_window (0, 0, Width / 2, Height / 2, 'black', WindowHandle) * 模板匹配定位（前提：已离线创建 ModelID） read_shape_model ('electrode_template.shm', ModelID) find_shape_model (Image, ModelID, rad(-30), rad(60), 0.5, 1, 0.5, 'least_squares', 0, 0.9, RowMatch, ColumnMatch, AngleMatch, Score) if (|RowMatch| < 1) * 匹配失败，直接判为异常 stop () endif * 把检测区域变换到匹配位置 vector_angle_to_rigid (0, 0, 0, RowMatch, ColumnMatch, AngleMatch, HomMat2D) affine_trans_region (MeasureRegion, MeasureRegionTrans, HomMat2D, 'nearest_neighbor') * 在变换后区域内执行灰度+形态学毛刺提取 reduce_domain (Image, MeasureRegionTrans, ImageReduced) gray_range_rect (ImageReduced, ImageMax, ImageMin, 5, 5) sub_image (ImageMax, ImageMin, ImageDiff, 1, 0) threshold (ImageDiff, RegionDiff, 20, 255) connection (RegionDiff, ConnectedDefects) select_shape (ConnectedDefects, SelectedDefects, ['area', 'height'], 'and', [20, 2], [99999, 200]) * 计算每个毛刺区域的最大物理尺寸 count_obj (SelectedDefects, NumDefects) for I := 1 to NumDefects by 1 select_obj (SelectedDefects, Object, I) smallist_rectangle1 (Object, Row1, Column1, Row2, Column2) * 像素高度换算为微米 HeightUm := (Row2 - Row1) * 5.0 // 5.0为标定系数 if (HeightUm > 20.0) dev_set_color ('red') dev_display (Object) endif endfor

这里用了gray_range_rect加sub_image来做局部灰度变化提取，实际上相当于一个局部自适应增强，比单纯全局阈值更稳。Halcon 的大多数算子都支持批量像素运算，性能很好，在实时产线上跑完全没问题。

5. 现场最常踩的坑与排查方法

5.1 毛刺检不出来，先别急着调算法

我见过太多工程师把毛刺漏检的原因归结为算法差，实际上九成问题出在成像端。毛刺在图像里只有 1~2 个像素宽的时候，什么算法都救不了。先做三件事：

1. 看原图边缘锐度：把极片边缘放大到 100%，看毛刺和边缘的灰度变化是否清晰。如果边缘是糊的，优先调光圈、对焦和曝光；
2. 确认物理分辨率是否足够：用标准件算一下每个像素的实际尺寸，如果目标是 20μm，一个像素就 10μm，那容错空间太小，最好是 5μm 以下；
3. 检查光源稳定度：光源衰减轻则亮度逐渐波动，重则闪烁，这会让阈值和测量结果跟着漂。定期用灰阶标准块校正光源亮度是必要的。

5.2 误检多，想办法加约束而不是加滤镜

误检率高的典型处理思路是不断加滤波平滑，结果毛刺也被磨平了。更好的做法是从几何和位置上多约束：先限制检测 ROI，只分析裁切边缘附近的固定带状区域；再用最小面积、宽高比、凸出量三个参数同时过滤；最后让深度学习做复核。我自己现在的经验是，传统视觉方法把候选区域“收紧”，深度学习只做二分类，误报率能从 5% 降到 1% 以下。

5.3 测量数值忽大忽小，多半是标定或机械问题

同一片毛刺在不同时刻测出来的高度差了 5μm，很多工程师会怀疑算法不稳，其实先查机械。相机固定支架松动、极片在检测工位上下抖动、光源距离变化，都会导致边缘在图像里的位置变化。排除机械因素后，再检查标定：像素当量标定必须在实际工作距离下进行，如果镜头有自动对焦，必须锁死，否则标定随焦距漂移，测量就失去意义。

5.4 现场高频问题速查表

6. 评估与落地建议

6.1 五种方法怎么选

实际项目里我不会只用一种方法，通常是组合拳：TopHat 做快速候选，Halcon measure 测出精确高度，深度学习把误报压下去。这个组合在节拍允许的情况下，基本能兼顾召回率、准确率和稳定性。

6.2 验收指标要提前谈清楚

上系统前一定要和工艺、质量部门把验收标准写死，否则后期扯皮不断。常规指标至少包括：漏检率（尽量低于 100ppm）、误检率（越低越好，通常要求 1% 以下）、重复性（同一毛刺重复检测的极差值）、稳定性（连续运行 24 小时或 72 小时的漏检/误检变化）。另外 GR&R 分析一定要做，以前我遇到过算法测得很准，但人工复判的标准和算法不一致，最后产线还是天天报警。视觉系统不是独立存在的，要和工艺判定标准校准到同一把尺子上。

从我实际经验来说，锂电毛刺检测项目能不能顺利交付，最大的变量从来不是算法多高级，而是光学方案、机械稳定性和验收标准这些“周边”工作有没有做扎实。算法从 90 分做到 99 分很难，但成像从 50 分提升到 80 分，可能只需要换一个光源、调一个角度，效果立竿见影。这也是为什么我一直建议，接到这种项目先抱着相机去现场拍几百张真实图片，看清毛刺的灰度表现和形态分布，再决定用什么算法。磨刀不误砍柴工，这句话在视觉检测里放之四海而皆准。