气缸体抛光面反光强、砂眼又小，光源角度要是没设计好，算法调得再深也补不回丢掉的信息
发动机气缸体的抛光面、密封带直接关系密封与装配质量。这些部位的缺陷很小：砂眼、缺料、密封带划伤，在强反光的抛光面上，人眼都要找角度才看得见。注水孔尺寸要逐件量，错漏加工要逐件判。外观与尺寸两类任务落在同一个工位上，节拍 42 秒。
高反光面上，光源设计排在算法之前
抛光面的反光是镜面反射，缺陷细小、对比度本来就低，一旦反光把局部压成一片亮斑，图像里就没有可用信息了。这时换算法没有意义——输入已经丢了。方案用高亮光源配合成像角度压制反光，先让砂眼与划伤在图像里能看见，再谈能不能判出来。选型顺序应该是先设计光源与成像角度、再选算法。
孔径是标定出来的，不是数像素数出来的
注水孔尺寸测量走的是另一条链路：相机在规划点位对孔成像，传统算法提取孔边缘并拟合孔径，再结合标定参数换算实际尺寸，与标准值比对。每一环都可能引入误差：孔边缘提取受反光影响，拟合方法影响圆度估计，标定参数决定像素到毫米的换算。尺寸测量的验收重点不在能不能测，而在测出来的数和标准量具差多少，这条链要单独标定验证。
错漏加工为什么归到几何那一侧
错漏加工看起来像有没有做工序的存在性问题，但它判定的依据是孔的有无、位置与尺寸是否落在标准范围内，本质仍是几何判定。方案把它与孔位置尺寸一起交给传统算法，理由是这类判定需要明确的阈值和可复核的依据，而不是概率性的结论。砂眼、缺料、密封带划伤则交给深度学习，形态多变、规则写不全。
砂眼还是缺料：标注决定模型能不能分开
两类缺陷在图像上可能非常接近：砂眼是点状的凹陷，缺料是边缘或区域的缺失。模型能不能分开它们，取决于标注时有没有把边界样本标清。对难判的样本，方案结合区域模板比对做复核。这说明分层方案里最容易被低估的工作是标注——模型的能力上限，在标注阶段就定了。
配方切换要连归档规则一起切
缸体存在多型号，检测程序需随型号切换。容易漏掉的是归档规则：图像按型号与日期两级目录管理，检测程序与归档规则随型号配方联动，保证每一张检测图像都能对应到具体型号与生产日期。如果只切检测程序不切归档，记录会混在一处，追溯时反而更难找。
42 秒的构成
检测节拍 42 秒，以现场验收结果为准。这个节拍里包含按型号在规划点位采图、区域提取与模板匹配、孔位与尺寸判定、缺陷识别、结果输出与归档。两类任务在同一工位并行推进，才能压在 42 秒内，串行则光算法时间就超了。并行也对工位布局提出要求：拍照点位要能在一个节拍内走完，不能来回折返。
方案适合缸体类铸件外观与孔位尺寸的在线检测。高反光表面优先设计光源与成像角度，再谈算法；几何尺寸用传统算法、外观缺陷用深度学习，两者结合性价比高。区域提取与分层结构可复用到同类铸件，换的是模板、样本与配方。
反光、标定与标注的次序
抛光面反光压不住怎么办？
先调入射角与偏振，再考虑换光源形式。压制反光的目标不是让画面变暗，而是让镜面反射不进相机、漫反射保留下来。
孔径测量的精度靠什么保证？
靠标定链与边缘提取的稳定性。标定参数、成像距离、孔边缘质量三者都要控制，任何一项漂移都会直接体现在测量结果上。
一个模型能同时判砂眼和划伤吗？
可以，但两类缺陷的成像条件不同，通常按区域分开处理更稳。分不分模型，取决于缺陷在图像上的可分性，不是模型数量的偏好。