序章：一条每年白扔 1,337 万的产线，和一套“准确率 99%”的系统

工业视觉是制造业里人工智能落地最普遍的场景，也是最容易被讲成算法故事的场景。行业报告的通行写法是三个数：市场规模多大，渗透率多少，检出率从 95% 提到 99%。

这套写法的问题在于，它把一件物理问题讲成了软件问题。而在真实的产线上，决定检出上限的那一环，恰恰不发生在软件里。

一条产线的账本

先算一笔账。一条中等规模的自动化产线，日产一万件，单件制造成本算到检测这道工序为止，是十五美元。

这条产线的检测工位上装了一套视觉系统，供应商的验收报告写得很体面：准确率 99%，检出率 99% 以上，误杀率低于 2%。

一年之后，质量部的月报上，废品率没有下降，返工区反而多了一个人。系统没有报故障，日志里也没有异常，因为每一次判废都执行了“正确的流程”。

问题出在过检。良品被判成不良品，进了废品箱或者返修台，这一路上没有任何一个环节会把它标记为“检测系统的错误”。

把数字摊开：日产一万件，过检率 5%，每天五百件良品被判废或返工。按单件十五美元计，每天七千五百美元。按二百五十个工作日计，一年一百八十七点五万美元。

按 1 美元兑 7.13 元人民币折算，一年 1,337 万元人民币。这个数字的来源不复杂，复杂的是它从来不出现在检测系统的成本表里。

对照一下量级：一条中等规模自动化产线的设备投资，行业通行量级是一千万元。也就是说，5% 的过检率，一年吃掉 1.34 条产线。

这笔钱在财务报表上进入了三个科目：废品损失、返工工时、制造费用。它没有一个科目叫“检测系统误差”，所以它永远不会被归因到检测系统。

三个被归错因的现场问题

第一个问题：检出率上不去。现场的说法是“算法不行”，于是加算力、换模型、补数据，一轮一轮往下走，模型换到第四代，检出率只挪动了一个百分点。

第二个问题：过检率下不来。现场的说法是“模型不够准”，于是调阈值，把过检换成漏检。账面上的误报率好看了，成本从可见的返工变成了不可见的流出。

第三个问题：换型、换料、换供应商时系统崩掉。现场的说法是“人工智能不稳定”，实际情况是光照条件变了，而系统从来没有为光照变化做过设计。

这三个问题有一个共同点：它们的根因都在同一段物理距离上，而所有的处置动作都发生在另一段距离上。

最后一米：从物体表面到传感器像素

所谓“最后一米”，指的就是从物体表面到传感器像素这最后一段物理距离。这一段走不通，后面所有的神经网络都是在烂图上做无用功。

本篇的核心判断只有一句：在工业视觉里，决定检出上限的是光学，不是算法。算法只能在光学已经给出的信息里做判断，它无法创造信息。

这句话听起来像常识，但把它落到预算表、验收条款、项目立项书上的时候，绝大多数工厂的做法与它相反。

放到云质变这一组白皮书里看，本篇的位置很清楚：046 讲的是“算力喂不饱”，047 讲的是“算力没东西可吃”。两者是同一件事的两端，一个卡在搬运，一个卡在采集。

本篇不打算写成一本光学教程，也不打算写成一篇唱衰人工智能的文章。它要回答的是一个责任划分问题：哪一段必须由硬件决定，哪一段软件才有发挥空间，交界处应该怎么设计。

第一章 钱花错了地方：相机占 30%，光源占 10%，而决定检出率的是后者

上一章留下了一个问题：为什么明知光学重要，预算却总是流向相机。这一章把成本表拆开看，答案不在工程师的认知里，而在采购流程的激励结构里。

先给结论：工业视觉的预算分配，和决定检出率的因素，是系统性错位的。错位不是失误，是被制度稳定生产出来的结果。

一台检测机的成本清单

一套典型的中国产视觉检测系统，硬件成本结构大致如下。数据口径为系统硬件，不含集成服务与软件订阅。

相机是最大单项，占系统成本 25% 至 35%。再往下拆一层，图像传感器又占相机物料成本的 40% 至 55%，所以整机里最贵的那颗芯片，是传感器。

光源只占 5% 至 15%。在多数项目里，光源是最后一项被讨论、第一个被压价的部件。

把这两行放在一起看：相机占 30%，光源占 10%，而决定“缺陷能不能在图像里显影”的，是光源的几何、波长和强度；决定“显影后能不能分辨”的，是镜头的调制传递函数。

这不是一个比喻。缺陷在图像里的灰度差，正比于它在那个波长、那个入射角下的反射率差；相机只负责把这个灰度差切成离散的采样点。前者决定有没有，后者决定切成几份。

所以成本表和技术贡献表是两张完全不同的表。成本表上相机最高，贡献表上光源最高。

为什么预算会这样流，看一张采购视角的表就清楚了。

相机有明确的参数表：分辨率、帧率、接口、靶面尺寸，每一项都能写成数字，能横向比价，能招标，能写进合同验收条款。

光源没有标准参数。同样是“环形光”，内径、外径、角度、波长、均匀性、频闪能力、散热衰减曲线全都不同。采购拿着两份报价单，除了价格和外形尺寸，找不到第三个可比项。

于是一个完全理性的采购行为出现了：把可比的买到最好，把不可比的压到最低价。这个行为在单个采购员的考核里是最优的，在整条产线的检出率上是最差的。

结果就是那句话：系统里最贵的那颗器件，是唯一不能被追责的那颗；最便宜的那颗，决定了全部上限。

采购流程怎样制造错位

错位不是一次决策造成的，是三个流程环节叠加出来的。

第一环是立项。立项书要求填设备清单与预算，清单按“相机、镜头、光源、工控机、机架”分项。这一栏的颗粒度，已经决定了光源只能填一个总价。

第二环是招标。招标需要技术规格书，规格书需要可验证的参数。光源的“对比度交付”没法在招标文件里写成一句话，所以被简化成“亮度满足现场要求”。

第三环是验收。验收标准写的是“系统准确率不低于 99%”，而不是“在某波长某角度下，某类缺陷的灰度差达到多少”。前者可以在一批良品上轻松跑出来，后者需要设计实验。

三环走完，预算结构就被锁死了。下一次项目照着上一份清单复制，错位被固化成模板。

更麻烦的是，这套模板在验收时是“通过”的。因为准确率这个指标在良品占绝大多数的数据集上，天然容易达标。

一个 2% 不良率的数据集，把所有样本判成良品，准确率就有 98%。这就是准确率指标的结构性缺陷，第二章会把它算到底。

把成本占比和贡献权重画在一张图上，落差会非常直观。左侧是钱，右侧是能力，中间的缺口就是本篇要讨论的全部空间。

图 1 预算错配

图里那句注脚值得单独记住：最贵的那颗器件是唯一不能被追责的那颗，最便宜的那颗决定全部上限。这不是讽刺，是采购制度在信息不对称下的必然产物。

错位的三个后果

后果一，检出率上不去，被归因为算法不行。于是继续加算力、换模型、加数据，进入死循环。每一轮都花钱，每一轮都不解决信息缺失。

后果二，过检率下不来，被归因为模型不够准。于是调阈值，把过检换成漏检。成本从可见的返工变成不可见的流出，账面上反而好看了。

后果三，换型、换料、换供应商时系统崩掉，被归因为人工智能不稳定。实际是光照条件变了，同一个缺陷在新材料上的反射率差掉了一个数量级。

三个后果的共同结构是：硬件造成的问题，用软件的动作去修补，修补的成本被记在软件账上，硬件账始终干净。

这个结构一旦形成，就会自我强化。软件账越花越多，硬件账越看越省，下一轮预算继续向软件倾斜。

软件在这条链上的位置

说清楚一件事：本篇不是要否定软件。检测环节的分类、定位、分级，判定环节的阈值与代价函数，调度环节的多光照融合，这些都是软件的主场，硬件做不了。

要区分的是两类工作。一类是在已有信息上做判断，软件效率极高，而且越做越好；另一类是创造本来不存在的信息，软件做不到，做多少次都是拟合噪声。

判断一个视觉项目该往哪边投钱，有一个很朴素的检验方法：把同一张图给两个人看，一个资深检验员，一个刚入职的检验员，如果两个人都说“看不出来”，那这个问题不该交给算法。

反过来，如果资深检验员能看出来而新人看不出来，那是经验问题，是数据与模型能解决的。这条线划得很粗，但足够挡住大部分错误投资。

本章的软硬分界可以压成一句话：成像环节硬件说了算，软件在这里没有领地；检测与判定环节软件说了算，但它的输入质量由硬件决定。

把预算表倒过来看

如果按“对检出率的贡献”重排预算，顺序会变成：光源、镜头、相机、采集卡、其他。这个顺序与成本表几乎相反。

这不意味着要把光源买到最贵。它意味着光源必须从“辅材采购”变成“系统设计输入”，在立项阶段就锁定几何、波长、频闪与安装基准。

一个可操作的换算：光源预算从占系统成本 10% 提到 20%，在一条千万元级产线上是几十万元级别的增量。而 5% 过检率对应的年损失是 1,337 万元。

这个对比不是让每个项目都去加光源预算，而是说明一件事：在光源上省下的钱，和它在过检上造成的损失，不在一个数量级上。

下一章要把“两类错误”的成本算清楚。因为只有把 FA 与 FR 的钱分开记，才能解释为什么“准确率 99%”这个看起来很好的数字，会把系统推向错误的方向。

第二章 两个错误，两种命运：FA 与 FR 的成本差 200 万倍

第一章讲的是钱怎么花错了。这一章讲更基础的一件事：检测系统会犯两类错误，而这两类错误的代价差了两个数量级以上，所以它们本来就不该被同一个指标平均。

先把两类错误分开命名，因为现场最常见的混乱，就来自把两者混成一个“准确率”。

两类错误，两种承担者

FA 是误接受，也叫逃逸：不良品被判成良品，流到客户手里。它的分母是不良品总数，承担者是客户端。

FR 是误拒绝，也叫过检、误杀、overkill：良品被判成不良品，进了废品箱或返修台。它的分母是良品总数，承担者是制造方。

两个指标的分母不同，这件事决定了一切。当不良率很低时，即使逃逸率很高，对总数的影响也很小；而当良品基数很大时，即使过检率很低，绝对数量也很大。

表里最后一行是关键。FA 会变成一封客户投诉邮件，会变成一次召回公告，会有一个明确的负责人。FR 不会，它只会让这个月的废品率略微上升。

目标值也说明了这个不对称：关键结构件与安全件的 FA 目标写的是 0%，而 FR 在传统规则式系统上是 5% 至 15%，复杂件更高。

一个目标是零，一个目标是十几个百分点。这不是行业懈怠，是两类错误的成本结构不同导致的必然结果。

一次逃逸值多少钱

把 FA 的成本落到一个具体数字上：一次汽车召回的直接执行成本，量级是数千万美元。取中值 3,000 万美元。

再把 FR 的成本落到一个具体数字上：单件制造成本算到该工序为止，约 15 美元。

两个数字放在一起，比值是 3,000 万美元除以 15 美元，等于 200 万倍。

这个 200 万倍不是精确的财务结论，它是一个量级判断：两类错误的代价不在同一个数量级上，差了六个数量级。

六个数量级意味着什么？意味着任何把两者简单平均的指标，都会被低成本的那一类完全支配。

一个系统如果把 10,000 件里的 500 件良品判废，同时一件不良品都没漏，它的“准确率”仍然是 95%。这个数字看起来只是“略低于 99%”。

但它的真实经济后果是每天 7,500 美元的废品，而它避免的逃逸成本可能是零，因为那一批里本来就没有不良品。

图 2 FA与FR成本差

算例 B：200 万倍是怎么算出来的

倍数只是第一步，真正能用的是期望成本。把两类错误放进同一个式子里算。

设不良率为 p，逃逸率为 a，过检率为 r，批量为 N，单次逃逸成本为 C_FA，单件过检成本为 C_FR。

期望成本 E 等于 N 乘 p 乘 a 乘 C_FA，加上 N 乘 (1 减 p) 乘 r 乘 C_FR。第一项是漏出去的钱，第二项是白扔掉的钱。

代入一组典型参数：N 等于每天 10,000 件，p 等于 2%，a 等于 0.1%，C_FA 等于 3,000 万美元。

FA 项等于 10,000 乘 2% 乘 0.1% 乘 3,000 万，等于 6,000 美元每天。注意这里 2% 乘 0.1% 之后只剩万分之零点二，把 3,000 万压到了六千。

再代入 FR 一侧：r 等于 5%，C_FR 等于 15 美元。FR 项等于 10,000 乘 98% 乘 5% 乘 15，等于 7,350 美元每天。

结论很直接：在这组参数下，FR 项 7,350 美元每天，已经超过 FA 项 6,000 美元每天。

也就是说，“为了压低漏检而收紧阈值”这个常规做法，在这组参数下会让总成本上升。因为每多抓一个真缺陷，要多误杀几十个良品。

这不是说阈值应该放松。它说的是阈值必须算，而不能凭感觉调，更不能用一个叫准确率的数来代表。

期望成本公式与它的边界

公式的价值在于它逼你把四个参数写出来：p、a、r、C_FA。这四个数在多数工厂里都没有现成的。

p 可以从历史不良率拿到，a 需要出货后的客户端反馈，r 可以从返修台统计，C_FA 最难，通常只能给一个量级估计。

参数不全的时候，公式仍然有用。它的用处不是算出一个精确的钱数，而是暴露哪个参数最不确定、哪个参数最值钱去测。

边界条件必须说清楚：当 p 上升到 10%，也就是高风险工艺时，FA 项会放大五倍；当 C_FA 上升到安全责任级别，比如电池热失控，FA 项会反超 FR 项。

在那两种情形下，收紧阈值是正确的，甚至应该收紧到接近零逃逸。所以阈值不是固定的，必须按 p 和 C_FA 实时计算。

这条边界也解释了为什么同一条产线上的不同工位，应该用不同阈值。安全件工位和外观件工位，用同一套参数是不合理的。

准确率为什么是有害指标

到这里可以正面回答“准确率 99% 为什么有害”。

准确率把两类错误放在同一个分子里：判对的样本数除以总样本数。这个定义隐含了一个假设，两类错误等价。

真实成本函数差六个数量级。所以这个假设不是“简化”，是错误。基于一个错误假设去优化，优化的方向必然偏。

云质变判断

准确率 99% 是一个有害指标，因为它把两件成本差 200 万倍的事，当成同等权重来平均。

在 2% 不良率的数据集上，全判良品的系统准确率是 98%。一个辛苦调优的模型做到 99%，看起来进步了一个百分点，实际上它的价值全在把那 2% 里的东西抓出来。

用准确率做验收指标，最直接的后果是：供应商有动机把系统调向“少报警”。少报警能让准确率好看，而少报警的代价是漏检。

本篇的立场很明确：验收指标必须是双指标，FR 与 FA 分开写，各自带口径，各自带目标值。单指标验收在这个成本结构下必然失真。

下一章把 FR 这一侧单独拿出来算。因为 FR 是唯一一个“每年都在发生、但从来没人把它归因到检测系统”的成本项。

第三章 5% 的过检率，一年吃掉一条产线

第二章给了公式，这一章给一个能直接拿去开会用的数。5% 的过检率到底值多少钱，算一遍就清楚了。

之所以要单独算这一项，是因为它是视觉项目里最大的一笔隐性支出，也是唯一一笔在报表上没有名字的支出。

算例 A：从 500 件到 1,337 万

第一步，算被判废或返工的件数。日产 10,000 件，过检率 5%，10,000 乘 5% 等于 500 件每天。

第二步，算日损失。单件制造成本算到该工序为 15 美元，500 乘 15 等于 7,500 美元每天。

第三步，算年损失。按 250 个工作日计，7,500 乘 250 等于 1,875,000 美元，也就是 187.5 万美元。

第四步，折人民币。按 1 美元兑 7.13 元，187.5 乘 7.13 等于 1,336.9 万元，约 1,337 万元。

对照量级：一条中等规模自动化产线的设备投资约 1,000 万元。1,337 万元约等于 1.34 条产线。

这个对照之所以有冲击力，是因为它把一笔分散在十二个月、分散在几十个批次、分散在几百个工单里的钱，压缩成了一个能被决策层看见的数字。

现场很少这样算。现场算的是“这个月废品率 1.8%，比上个月 1.6% 高了”，然后去找工艺原因。

图 3 过检成本曲线

同样一条产线，如果过检率从 5% 降到 1%，能省多少。

新的日误杀件数是 10,000 乘 1% 等于 100 件。新的日损失是 100 乘 15 等于 1,500 美元。

新的年损失是 1,500 乘 250 等于 375,000 美元，也就是 37.5 万美元。

节省额是 187.5 减 37.5，等于 150 万美元。折人民币 150 乘 7.13，等于 1,069.5 万元，约 1,070 万元。

这 1,070 万元，就是光学改造这笔投资的天花板。任何一项改造，只要成本低于这个数，且能把 FR 从 5% 压到 1%，在财务上就是成立的。

一个专用光源加频闪控制器约 10 万元。一次打光方案重构加验证，量级是几十万元。两者相加，仍然在 1,070 万元的一个零头以内。

这就是本篇反复强调的那句话的经济含义：不是光学重要，是光学的投入产出比在这个数量级上高得反常。

过检为什么查不到根因

过检损失在财务报表里不叫“检测系统错误”，它叫“废品”和“返工”，所以永远查不到根因。

这句话值得展开。一件良品被判废，会计处理是计入废品损失；一件良品被判返修，会计处理是计入返工工时。两个科目都不指向检测设备。

于是每个月质量分析会上，讨论的是“为什么这个月废品多了”，而不是“为什么检测系统多判了”。前者会导向工艺排查，后者才会导向光学排查。

更细一层：即使有人怀疑检测系统，也没有数据支撑。因为多数系统只记录“判定结果”，不记录“判定依据”，更不记录“当时的光照条件”。

一个可操作的补救：在返修台加一道覆写登记。操作员每否决一次系统判定，记录缺陷类别、工位号、当班光照状态。连续记四周，过检的分布就出来了。

现场统计给出的过检真实原因排序是：光照第一，检测区域第二，定位与夹具第三，缺少良品样本第四，阈值第五。

这个排序和多数人的直觉相反。大家习惯先调阈值，而阈值排在最后一位。

也就是说，前四位的原因都不在算法里。这是本篇最想让人记住的一个排序。

AIAG 三档判据与现场现实

行业里有一套现成的判据，来自 AIAG 的测量系统分析手册：误报率低于 5% 可接受，5% 到 10% 是边缘，高于 10% 不可接受。

这条判据的问题在于，它只说“可接受”，没说“可接受的成本是多少”。5% 在判据里是及格线，在账本上是一年 1,337 万元。

所以判据要用，但不能只用判据。判据回答“系统合不合格”，账本回答“这个项目值不值得做”。

还有一个参照系：人工目检的准确率约 80%，也就是大约五分之一的不良品会被漏掉。Sandia 的研究更狠，受过训练的检验员把良品判成不良的比例达到 35%。

把这两个数放在一起看，会发现人工的问题主要在过检一侧，而机器的优势恰恰在这里。像素级分割的 AI 相比人工，逃逸率可以低到九分之一。

这也是为什么 AI 检测在复杂件上能站住脚：不是因为它比人更懂缺陷，是因为它比人更稳定，不会在第八个小时开始放松标准。

一个可核对的现场案例

重庆有一家汽车电子制造基地，在复杂电路板组件检测上做过一次完整改造，数据是公开的。

改造前，传统自动光学检测在这类复杂板件上的平均误判率约 5%。这个数字和本篇算例的假设一致。

部署 AI 三维自动光学检测之后，误判率降到 0.1% 以下，产品直通率提升到 99.9%。

换线编程时间缩短 50%，新产品切换压缩到 30 分钟以内。每条产线的复检岗位从 3 人减到 1 人。

支撑这次改造的训练数据是数十万张不同角度、不同光照的图片。注意这句话里的两个“不同”：角度和光照是数据多样性的来源。

这个案例说明的不是“AI 很强”，而是“把光照维度打开之后，AI 才有东西可学”。数十万张里最有价值的那部分，是不同光照条件下的同一类缺陷。

边界条件：返修、回流与交期

算例 A 有一个强假设：被误判的件全部报废，无法返修。这个假设在多数场景下偏保守。

如果可返修，损失应按返修成本计，而不是全成本。返修通常占全成本的 20% 至 40%，量级会下降，但仍然显著。

如果良品可以回流产线，损失主要是产能占用与交期延误。这种情况下钱不直接体现在废品科目，而体现在交付履约上。

还有一层常被忽略：反复返修会带来二次损伤。外观件每多一次拆装、清洗、复检，划伤概率就上升一次。

所以 1,337 万元应该被理解为一个上限估计，而不是一个精确值。它的用途是量级判断与优先级排序，不是财务入账。

这一章把“过检值多少钱”算完了。下一章要回答更前置的问题：为什么会有过检。答案不在阈值里，在对比度里。

第四章 对比度是物理，不是算法：0.03 毫米划痕的 1,000 倍差

上一章说，过检的第一位原因是光照。这一章解释为什么。因为光照决定的不是图像的“好看程度”，而是缺陷在图像里到底存不存在。

先立一句判据：相机检测的是对比度，不是缺陷。这句话不是修辞，是物理事实。

云质变判断

相机检测的是对比度，不是缺陷。这句话不是修辞，是物理事实。

相机看的是亮度差

一个像素记录的是一个数：在曝光时间内进入这个像素的光子数转换成的灰度值。

缺陷要能被检出，它在图像上对应的像素，灰度必须和周围背景像素有明显差异。这个差异叫对比度。

对比度的物理来源是反射率差。缺陷与背景在某个波长、某个入射角下，把光反射进镜头的比例不同，于是亮度不同。

这个链条上没有任何一环涉及“缺陷是什么”。相机不知道那是划痕、是凹坑还是油污，它只知道这个位置比旁边暗一点或者亮一点。

所以当工程师说“这个缺陷检不出来”，准确的表述应该是“这个缺陷在我当前的光照几何下，没有产生足够的亮度差”。

这两句话的处置方式完全不同。前者会去换模型，后者会去换打光。

算例 C：0.26 个灰阶

取一个具体工况：0.03 毫米宽的划痕，位于抛光铝表面。

明场照明，光从相机同侧以高角度正面入射。抛光表面把大部分光镜面反射回镜头，画面整体明亮。划痕是一条细窄的斜面，它散射出去的光，只有不到 0.1% 进入镜头。

把这个比例写成相对亮度：明场下划痕的相对亮度约等于 0.001。

换暗场，光以低角度掠射。平整区域把光反射到镜头之外，画面背景接近全黑。划痕的斜面正好把散射光送进镜头，接近 100% 进入。

暗场下划痕的相对亮度约等于 1.0。两者相除，1.0 除以 0.001，等于 1,000 倍。

把这个倍数换成 8 位图像的灰度。满量程 255，背景灰度设为 200。

明场下划痕的灰度是 200 加上 255 乘 0.001，约等于 200.26。它与背景的差是 0.26 个灰阶。

暗场下划痕的灰度是 0 加上 255 乘 1.0，等于 255。它与背景的差是 255 个灰阶。

0.26 个灰阶是什么概念。典型工业相机的噪声底是 1 到 3 个灰阶。也就是说，这条划痕的信号比噪声还小一个量级。

这不是算法问题，是信息不存在。任何模型在这张图上都做不出稳定检出，因为它拿到的输入里，缺陷与背景的差异低于随机波动。

同一条划痕，在暗场下有 255 个灰阶的差。这个差异大到不需要算法，一个阈值判断就能检出来。

1,000 倍的差距，全部来自光的入射角。这个角度在采购单上是一个词，在现场是一套支架的安装位置。

图 4 明场暗场对比

明场、暗场与它们的失效场景

打光方式不是风格选择，每一种都有明确的适用与失效边界。把边界列清楚，比记名字有用。

表里最值得看的是“不适合”这一列。它比“适合”更能决定项目成败，因为多数失败案例不是选错了适合项，是撞上了不适合项。

暗场的失效很典型。它对平面度极敏感，曲面件的不同位置入射角不同，画面会出现大片亮度不均。

暗场还会放大表面粗糙度。一个正常加工的纹理面，在暗场下可能呈现大量亮点，被算法判成密集缺陷。

这就是为什么“换个暗场试试”这句话在现场经常无效。暗场不是万能钥匙，它必须与工件几何匹配。

明场的失效同样明确。抛光铝、不锈钢镜面板、镀铬件，在正面高角度下会产生镜面眩光，整个视场被一片高亮覆盖。

这类工件要用同轴或者穹顶，用漫射把方向性打散。但漫射会同时压低对比度，所以同轴之后往往还要靠波长再拉一次差异。

分辨率的正交性

分辨率和对度比是两个正交维度。买相机买的是前者，检出率取决于后者。

正交的意思是：提升一个不会自动提升另一个。把相机从 500 万像素换到 5,000 万像素，采样密度提高十倍，同一块面积上的像素数变多。

但每个像素看到的仍然是“这个位置的反射光强”。如果缺陷与背景在那个光照条件下没有亮度差，多切十份还是零。

云质变判断

分辨率是对比度的正交维度。买相机买的是采样密度，检出率取决于对比度。

反过来也成立。对比度很好而分辨率不足，缺陷会糊成一团，尺寸测不准、分类分不清。这时该加的是像素。

所以选型要问两个独立的问题：这个缺陷在我这个光照下有没有对比度；它在我这个像素密度下占几个像素。

第一个问题决定能不能看见，第二个问题决定看见了能不能分清。两个问题都不能用另一个的答案代替。

云质变判断

明场下那条 0.03 毫米的划痕，只散射了不到千分之一的入射光。你换再好的镜头，它传过来的仍然是千分之一的千分之一。

这句引用值得停一下。它说的不是“镜头不好”，是“镜头的工作是传递，不是创造”。

反方：买更贵的相机和镜头能不能解决

这个观点在现场很有市场，值得公正对待。

成立的部分：高质量镜头的调制传递函数更高，畸变更小，远心镜头能消除透视误差，对测量精度的提升是实打实的。在精密测量场景，镜头升级往往是最直接的改善手段。

不成立的部分：镜头只能保留对比度，不能创造对比度。明场下 0.03 毫米划痕的散射光不到 0.1%，再好的镜头也只能把这 0.1% 更完整地传到传感器，它传过来的仍然是 0.1%。

本篇立场：镜头决定“传得多完整”，光源决定“有没有得传”。顺序不能颠倒。

这个顺序为什么不能颠倒，用一个比喻说清楚：镜头是一条管道，光源是水源。管道可以从漏水的换成密封的，但水源没水的时候，密封得再好也是空的。

实践上的含义是：先做对比度测算，再做镜头选型。顺序反了，会出现“买了双远心镜头，缺陷还是看不见”的典型浪费。

下一章讲镜头这一侧的天花板。因为一旦对比度有了，第二个约束立刻出现：这个对比度能不能被完整地传到传感器。

第五章 MTF 天花板：为什么 5,000 万像素救不回一颗烂镜头

第四章解决了“有没有对比度”。这一章解决“对