序章：一个 92 分的试点，和一份没人签字的规模化预算

0.1 现场：98.7 的准确率，和一张没签字的评审表

常州一家做液压精密件的工厂，2025 年 8 月在一条阀体加工线上上了视觉质检试点。六个工位，两台 500 万像素相机，一套边缘推理盒子，投入 46 万元。

试点的报告很漂亮。缺陷识别准确率 98.7，误报率 4.2，单件检测时间 0.8 秒，替代 3 名质检员，年化收益 42 万元。报告的最后一页写了一句“具备全厂复制条件”。

2026 年 3 月，规模化方案上会。复制到 14 条线，预算 480 万元。会开了两次，第二次只开了 40 分钟。

财务总监问了三个问题。

第一，98.7 是在多少件样品上测出来的？质量部答，3200 件。

第二，这 3200 件里，最细的那一类缺陷有多少个？质量部翻了记录，说 11 个。

第三，换一批棒料，这个数还是 98.7 吗？质量部说，没测过。

会议纪要写的是“补充验证材料后再议”。这句话在制造业里的意思，通常就是不批。

后来质量总监自己带人复核，把七个量逐个量了一遍。

相机曝光 800 微秒，线速 1.2 米每秒，运动模糊 0.96 毫米。四路数据源用 NTP 对时，同步误差 60 毫秒。最小的缺陷在图像上占 1.8 个像素。模腔压力靠顶针式传感器间接测，不在型腔中心。过去 12 个月真缺陷样本 340 个，分到最细一类剩 7 个。模型上线 5 个月，准确率掉了 4 个百分点。推理延迟 180 毫秒，PLC 扫描周期 2 毫秒，比值 90。

七个数字摊在桌上，没有一个是算法问题。

这就是这篇白皮书要讲的事：当试点跑出一个漂亮数字，而规模化批不下来，中间那道沟几乎从来不在模型里。

0.2 三个数字：九十二、八、八十点三

这不是一家工厂的故事。

2026 年 10 月 27 日，德勤中国联合香港大学发布 AI 应用白皮书，三个数字并排：百分之九十二的企业已开展 AI 试点，百分之八认为投入实现了财务和战略收益，百分之四认为真正完成组织级转型。

另一组数字来自 RAND 与 MIT 的联合分析，2026 年发布：企业 AI 部署交付可衡量商业价值的失败率是百分之八十点三。

百分之九十二和百分之八之间，隔着百分之八十四。

行业对这道沟的解释，几乎统一指向一个词：组织。

本篇的看法不同。这道沟不是组织挖的，是物理挖的。

0.3 本篇的判断：组织是结果，不是原因

德勤的十大原因排序里，筒仓式组织占百分之三十三排第一，平台架构薄弱占百分之三十二排第二，数据可用性不足占百分之三十一排第三。

这份排序被广泛引用为“组织是第一障碍”。本篇认为，这个归因把结果当成了原因。

组织之所以厚重，是因为数据稀缺。

质量数据能全检，就不需要抽检标准、争议仲裁、质检科这三层结构；设备振动能连续采集，就不需要听声、巡检、事后追责这一套；工艺参数能毫秒对齐，就不需要工艺员、班组长、调度三层协调。

组织是数据稀缺长出来的器官。器官越厚，说明病灶越深。

所以先改组织再上 AI 这个顺序，等于让一个补偿机制去解决它正在补偿的那个问题。

0.4 五篇同构：从 046 到 050

云质变在软硬结合层已经连做四篇。046 讲存储墙，047 讲视觉最后一米，048 讲运动控制慢半拍，049 讲 AGV 物理天花板。

四篇的句式一样：一个物理量存在临界值，越过临界值，软件投入的边际收益迅速归零。

表 1 五篇白皮书的物理量同构

前四篇讲的是单台设备、单个环节。这一篇往上跳一层：当工厂想把环节连起来的时候，会遇到什么。

答案是七道墙。采样率、时间戳、精度、位置、标注、漂移、闭环。

每一道都有数字，每一道都能在一天内测出来，每一道都在数据流上截一刀。

数据从传感器出来，要穿过七道闸门，才能变成能训练、能上线、能回本的东西。少过一道，前面六道全部作废。

云质变判断

百分之九十二的试点和百分之八的收益之间，隔的不是决心，是七道物理闸门。

第一章 三个口径，同一个结论

1.1 德勤中国口径：九十二、八、四

2026 年 10 月 27 日，德勤中国联合香港大学发布 AI 应用白皮书。调研覆盖多个行业，结论用三个数字概括：百分之九十二已开展试点，百分之八认为实现财务和战略收益，百分之四认为完成组织级转型。

成熟度分布更细：实验探索百分之二十八，渐进落地百分之五十六，规模化推广百分之四，变革重塑百分之四。

表 2 德勤中国口径的四级成熟度

图 1 从 92 家试点到 8 家赚钱的四层漏斗

德勤中国管理咨询信息工程、人工智能与数据分析事业群全国主管合伙人唐捷的解释是：核心症结在“个人提效”与“组织提效”之间的断层。

白领用 AI 画 PPT、写纪要、做翻译，这些点状工具的使用没有本质提升部门效率，也没有反映到收入和利润改善上。

他还有一句更锋利的话：如果你的创新都是点状的，并没有改善一段完整流程，那些简单的效率提升与 IT、基础设施投入相比，根本赚不回来这个钱。

这句话是对的。但它没有说下去：为什么创新都是点状的？

因为只有点状的地方，数据才凑得齐。

一段完整流程要跨五台设备、三个系统、两个班次，每一段都有自己的采样率、自己的时间戳、自己的精度。把点连成线，数据墙就露出来了。

1.2 德勤全球口径：八十一、二十八、二十五

2026 年 10 月 29 日，德勤 AI Institute 发布第九版《State of AI in the Enterprise》，调研 25 个国家、6 个行业、3500 名总监到 C 层级高管。

几个关键数字值得逐条摆出来。

表 3 德勤全球口径的七项关键数据

这组数字里最值得琢磨的是百分之八十一和百分之二十五的落差。

AI 让事情变快了，但没有让事情变得不一样。

德勤自己的总结是：对大多数受访组织来说，AI 在加速现有工作流，而没有改变工作本身。

这个结论在办公室场景成立，在车间场景更成立。

车间的现有工作流是被物理条件定死的：PLC 扫描 1 毫秒、相机曝光 100 微秒、总线周期 125 微秒。AI 进来只能加速流程里的信息环节，动不了物理环节。

1.3 麦肯锡、BCG、MIT 的三个分母

把各家数字并排放，会发现它们并不矛盾，只是分母不同。

表 4 六个口径的分子与分母

麦肯锡的百分之八十八是在用 AI 的企业占比，百分之三十九是其中有可量化收益的，百分之六是规模化并转化为利润的。

BCG 说实现规模化 AI 价值的企业占百分之五。

MIT NANDA 说百分之六十评估过企业级 AI 工具，百分之二十进入试点，百分之五到达生产环境。

这些数字从百分之五到百分之三十九，跨度接近 8 倍。差距不来自调研质量，来自“什么算成功”的定义。

本篇采用哪一个？

用 RAND 与 MIT 的百分之八十点三失败率，也就是百分之十九点七的成功率。

理由有三条。第一，它的分子是“交付可衡量商业价值”，最接近企业真正关心的那件事：钱有没有回来。第二，它的分母是企业 AI 部署，不是问卷自评。第三，它是第三方联合分析，不是厂商案例集。

1.4 国内工业场景的独立数据

工业场景比通用企业场景更差一档。

工业大模型项目失败率百分之七十四，制造业接近百分之八十，这是行业统计口径。

通用大模型在工业场景中的幻觉率可高达百分之五十以上。

某汽车零部件企业引入通用视觉模型检测高反光部件，因模型无法理解工业检测标准，误检率一度飙升至百分之二十，直接造成数百万元损失。

2026 工业 AI 就绪度调查显示，百分之六十八的制造企业仍卡在试点、概念验证或纯研究阶段，只有百分之七把 AI 真正嵌进核心流程。

长江商学院对 2016 家规上工业企业的调研更冷静：实体企业 AI 渗透率约百分之十，大企业百分之十五点五、中型百分之九点一、小企业百分之五点四。

这组数据说明一件事：工业场景的失败率比通用场景高，不是工业人更保守，是工业场景的物理约束更多。

所以同一套模型，在办公室能把客服成本降三成，在车间连缺陷分类都做不稳。

1.5 政策口径的另一面

工信部的目标写得很清楚：到 2027 年，推动 3 至 5 个通用大模型在制造业深度应用，形成 1000 个高水平工业智能体、100 个工业领域高质量数据集，推广 500 个典型应用场景。

同时公布的存量数据是：截至 2026 年上半年，累计建成基础级智能工厂 56000 家、先进级 9000 家、卓越级 500 家、领航级 15 家。

另有一个口径：百分之三十以上的规上企业已采用 AI。

这组数字的比值值得算一下。

基础级到先进级，9000 除以 56000，等于百分之十六点一。

先进级到卓越级，500 除以 9000，等于百分之五点六。

卓越级到领航级，15 除以 500，等于百分之三点零。

金字塔每上一层，留存率掉一个数量级。

这和 RAND 与 MIT 的百分之八十点三失败率是同一个结构。不是某一层特别难，是每一层都要把全部关卡重新过一遍。

这就是乘法的直觉来源。加法模型里，上一层的能力可以带上去；乘法模型里，上一层的能力只是下一层的入场券。

第二章 被误读的第一原因

2.1 德勤十大原因的原始排序

德勤与港大联合调研给出了十大原因，前五项如下。

表 5 德勤十大原因的前五项

图 2 失败原因的统计不可区分

行业普遍解读为：组织是第一障碍，所以要改组织。

这个解读传播得很广，因为它有一个好处：它把问题指向了一个可以开会解决的地方。

但它站不住。

2.2 为什么这个解读站不住

第一，统计上不可区分。

百分之三十三、百分之三十二、百分之三十一，相差一到两个百分点。这是多选题，受访者可以同时勾选。样本量、置信区间、加权方式，德勤没有全部公开。

在这样的条件下把百分之三十三和百分之三十一读成“第一”和“第三”，是把统计噪声当成了因果排序。

云质变判断

百分之三十三、百分之三十二、百分之三十一，相差两个百分点，统计上不构成排序。

第二，三个原因高度共线。

筒仓式组织、平台架构薄弱、数据可用性不足，在真实企业里是同一件事的三个说法。

数据不通，才需要建平台；平台建不起来，才需要跨部门协调；跨部门协调不动，才叫筒仓。它们不是三个独立原因，是一个原因的三层表现。

把共线的变量放进同一个排序里，排序本身就是假的。

第三，也是最关键的一点：因果方向被弄反了。

RAND 研究员有一句被广泛引用的话：大多数 AI 失败不是因为算法不好，而是因为企业没有准备好让 AI 成功的组织基础。企业花了百分之九十的精力在模型上，但模型只占成功的百分之十。

这句话被当成组织决定论的证据。

但反过来问一句就露馅了：为什么组织没准备好？

因为组织是围绕数据稀缺长出来的。

2.3 三个具体例子

例子一，质量组织。

如果质量数据能百分之百在线全检，每个产品都有完整的过程数据，就不需要“质检科加抽检标准加争议仲裁流程”这三层结构。

抽检标准存在的意义，就是在数据不全的条件下用统计推断代替事实。争议仲裁存在的意义，就是当推断出错时有人担责。

例子二，设备维护组织。

如果设备振动能 1 kHz 连续采集，轴承的 BPFI 特征频率能提前 200 小时看到，就不需要“老师傅听声加定期巡检加故障后追责”这一套。

定期巡检周期定在 4000 小时，本质是在“采不到故障信号”的条件下，用固定间隔对冲不确定性。

例子三，工艺协调组织。

如果工艺参数能毫秒级对齐、每个批次的偏差都能归因，就不需要“工艺员加班组长加调度”三层协调。

三层协调的存在，是因为没人能说清这批为什么和上批不一样。

这三个例子指向同一个结论：组织是数据稀缺的补偿机制。补偿机制越厚，说明数据越缺。

云质变判断

组织不是原因，是数据稀缺长出来的补偿机制。

2.4 为什么先改组织必然失败

如果组织是补偿机制，那么“先改组织再搞 AI”这个顺序，等于让一个补偿机制去解决它正在补偿的那个问题。

具体表现有四种。

一是成立“AI 推进办公室”，但办公室拿不到设备数据，只能做培训和汇报。

二是上线“数据中台”，但中台的数据源是 OPC UA 的 10 Hz 快照，做不出毫秒级分析。

三是推动“跨部门数据共享”，但共享出来的都是月报级汇总，不是过程级时序。

四是设置“AI 应用考核指标”，结果催生了指标工程。

这个例子的价值不在于讽刺。它说明：当一个组织拿不到真实的物理数据，它就会开始生产可以被考核的假数据。

这四种动作都不是错的，但都在补偿机制的层面打转，动不到下面的物理层。

于是项目在第一年看起来很热闹，第二年开始扯皮，第三年没人提。

2.5 正确的顺序

先拆数据墙。理由有三。

第一，数据墙是可测量的。

采样率、时间戳误差、分辨率、安装位置、样本量、再训练周期、推理延迟，每一个都有数字，都能在一天内测出来。组织问题测不出来，只能感知。

第二，数据墙有即时反馈。

把 OPC UA 换成 EtherCAT，采样率从 10 Hz 到 8 kHz，当天就能看到新的频谱成分。组织调整要半年才见效。

第三，数据墙拆掉之后，组织的协调需求自然下降。

当质量数据全检、设备状态连续可见、工艺偏差可归因，那些为了协调而存在的会议和审批，会自己失去存在理由。

这就是本篇的结构：不讲组织，只讲墙。

因为墙拆了，组织会跟着变；墙不拆，讲组织只是让会议室更热闹。

第三章 第一道墙：采样率

3.1 三个数字，八百倍差距

同一个 PLC，取数据有三条路径，采样率差三个数量级。

表 6 采样率的三条路径

图 3 采样率三条路径与 800 倍差距

差距是 8000 除以 10，等于 800 倍。

这不是配置问题，是协议定位问题。

OPC UA 是为信息交换设计的，它的价值在语义、类型、安全、跨厂商；EtherCAT 是为实时控制设计的，它的价值在确定性和周期。

用 OPC UA 拿振动信号，等于用月报做心电图。

云质变判断

用 OPC UA 拿振动信号，等于用月报做心电图。

3.2 八百倍在物理上意味着什么

轴承故障特征频率的量级是这样的：内圈故障 BPFI 通常在 3 至 8 kHz，取决于转速和轴承几何；齿轮啮合频率在几千 Hz；刀具颤振在 500 至 2000 Hz；气蚀和喘振在几百 Hz 到几 kHz。

用 10 Hz 采样，奈奎斯特上限是 5 Hz。

所有 5 Hz 以上的信息不是丢失，是折叠。

折叠的后果很具体。一个真实的 3.2 kHz 冲击，会被混叠成一个 10 Hz 以下的慢速波动。模型看到的“设备在缓慢摆动”，实际是高频冲击的镜像。

这不是数据质量差，这是数据在说谎。

数据质量差是可以修的，补几个点、滤一下噪、插个值。数据说谎修不了，因为假信号和真信号在同一个频段里，长得一模一样，没有任何统计特征能区分。

云质变判断

混叠不是数据质量差，是数据在说谎。

3.3 为什么现场普遍用 10 Hz

三个现实原因。

第一，OPC UA 是最容易接的。几乎所有主流 PLC 都内置 OPC UA 服务器，不用改程序、不用加硬件、不用停机，IT 部门自己就能接。

第二，EtherCAT 需要改控制架构。要接 EtherCAT 主站，要么改 PLC 程序增加过程数据映射，要么串一个抓包设备。前者要停机，后者要钱。

第三，历史数据库按秒级设计。大多数工厂的 historian 是按 1 秒或更慢设计的，存不了 8 kHz。

存储量算一下：100 个测点、8 kHz、4 字节，一天是 276 GB。这个数字放在 IT 部门的存储预算里，几乎不可能通过。

所以现场的现实是：用 IT 的路径，拿 OT 的数据，做 AI 的模型。

三层错配，从第一层就开始丢信息。

3.4 算例 A：八百倍采样率值多少钱

条件：一条产线 20 台减速机，轴承额定寿命 8000 小时，年运行 6000 小时。单台轴承件 3000 元，更换工时 800 元。突发故障每次停机 8 小时，产线损失 5 万元每小时。

方案一，10 Hz 采集，定期换件。

推导第一步，能看到什么。只能看温度、电流均值等慢变量，看不到 BPFI。

推导第二步，按 4000 小时固定换件，一年 6000 除以 4000，等于 1.5 次。

推导第三步，换件成本。20 台乘 1.5 次乘 3800 元，等于 11.4 万元。

推导第四步，定期换件仍有突发，假设突发率百分之三。突发损失 20 台乘百分之三乘 8 小时乘 5 万元，等于 24 万元。

推导第五步，合计 35.4 万元。

方案二，8 kHz 采集，预测性维护。

推导第一步，能看到 BPFI 及其谐波，提前 200 小时预警。

推导第二步，换件次数降到 0.8 次每年，只换真正到寿命的。换件成本 20 台乘 0.8 次乘 3800 元，等于 6.08 万元。

推导第三步，突发率降到百分之零点五，仍有传感器盲区和人为因素。突发损失 20 台乘百分之零点五乘 8 小时乘 5 万元，等于 4 万元。

推导第四步，合计 10.08 万元。

差额是年省 25.32 万元。

代价：8 kHz 采集需要 20 个通道的振动传感器、20 个边缘采集节点、一套能存高频时序的数据库。首年投入约 40 至 60 万元，回收期 1.6 至 2.4 年。

这个算例的要点不是省 25 万元。

要点是：这 25 万元不是 AI 省下来的，是 800 倍采样率省下来的。AI 只是把 8 kHz 的数据翻译成了维护决策。

把这句话反过来读，就是一个残酷的推论：如果采样率不动，AI 再强也只能在 10 Hz 的数据上做文章，那 25 万元永远不会出现。

3.5 硬件限制、软件补偿、代价

硬件限制：采样率的上限由传感器带宽、总线周期、控制器中断能力三者共同决定。压电加速度计的带宽通常能到 10 kHz 以上，瓶颈不在传感器，在链路和控制器。

软件补偿：可以做三件事。一是边缘缓存加触发上传，只在异常时段存高频数据，把存储量降两个数量级；二是用 PLC 循环中断做短时高速采集，采 200 毫秒停 5 秒，用时间换带宽；三是用压缩感知做欠采样重建，前提是信号在某个变换域稀疏。

代价：边缘缓存要额外的硬件和运维；短时采集会漏掉慢发展的故障；压缩感知的重建误差在工业现场很难验证，而且它对混叠没有免疫力，只能减少数据量，不能恢复已经丢掉的信息。

三条代价里，第三条最容易被销售话术掩盖。任何声称“用算法补回采样率”的方案，都要先回答一个问题：补回来的是信息，还是插值。

第四章 第二道墙：时间戳

4.1 五级精度阶梯

时间同步不是二值的，它是一条阶梯。

表 7 时间戳的五级精度

图 4 时间戳五级精度阶梯与多跳累积

从 NTP 到硬件时间戳，差 1000 到 2000 倍。

这个倍数和采样率的 800 倍是同一个量级，不是巧合。两者都受同一个物理事实约束：软件栈越深，时间信息越模糊。

4.2 链路非对称：多跳之后误差累积

PTP 的延迟计算假设往返链路对称。实际不对称。

表 8 链路非对称的四个来源

5 跳网络，每跳 50 纳秒非对称，总误差 250 纳秒。

而运动控制要求时钟同步精度在 100 纳秒以内。

5 跳就超标。

这意味着什么？意味着在一个中等规模的车间里，只要数据要跨 5 台交换机，纯靠 PTP 就做不到运动控制级的对齐，必须上透明时钟。

4.3 但工业 AI 要的不是运动控制级精度

这是本篇要澄清的一个关键区分。

工业 AI 需要的不是 100 纳秒，是因果对齐。

判据很简单：时间戳误差必须小于工艺特征时间的一个小比例。

表 9 五类工艺的特征时间

如果误差是工艺特征时间的百分之三点三，看起来不大。

但在快速变化的阶段，百分之三点三足以让因果方向反转。

注塑保压阶段，模腔压力在 100 毫秒内可以从 0 升到 80 MPa。100 毫秒的相位错位，意味着模型看到的压力曲线和视觉图像不在同一时刻。

这时候问“是压力异常导致了缺陷，还是缺陷导致了压力异常”，数据给不出答案。

因果方向一错，特征重要性排序就错，工艺调整建议就反向。这不是精度损失，是逻辑反转。

4.4 算例 B：四个数据源的错位

条件：一条注塑线，四个数据源。

表 10 注塑线四个数据源的采样条件

如果全部用 NTP 对齐，误差约 100 毫秒，会发生什么。

推导第一步，最慢源决定时间分辨率。100 毫秒的同步误差，加上 100 毫秒的采集周期，实际可用的对齐样本间隔至少 100 毫秒。

推导第二步，一个完整周期能拿到多少样本。保压加冷却共 8 秒，8 除以 0.1，等于 80 个对齐样本。

推导第三步，这 80 个样本的可信度。每个样本的四个通道真实时间差最多 100 毫秒。压力通道在 100 毫秒内可能已经变化 80 MPa，视觉通道在 33.3 毫秒内已经换了 3 帧。

推导第四步，模型学到的是什么。用 80 个样本、每样本正负 100 毫秒误差，训练出来的模型，学到的是平均化的工艺，不是真实的因果。

它在训练集上表现很好，因为训练集也是这样平均出来的；一到现场，遇到快速变化的批次，立刻失效。

推导第五步，改成硬件时间戳会怎样。四个源全部支持 PTP 硬件时间戳，同步误差降到 1 微秒以内。同样 8 秒周期，压力通道可以拿到 8000 个点，视觉 240 帧，全部对齐到微秒。

80 个样本变成 8000 个样本，且每个样本内部无错位。

结论：时间戳墙不是精度不够，是样本数量级差 100 倍，且每个样本内部因果错位。

4.5 硬件限制、软件补偿、代价

硬件限制：同步精度的物理下限由 PHY 收发不对称、交换机驻留抖动、晶振稳定度三者决定。前两个可以靠透明时钟和硬件打戳压到纳秒级，第三个压不下去，因为晶振会随温度漂移。

软件补偿：可以做三件事。一是用事件触发代替周期对齐，把“同一时刻”换成“同一事件”，例如以合模信号作为时间零点；二是用互相关估计通道间的相对延迟，做软件后对齐；三是用工艺模型做物理约束，把不可能的时序组合排除掉。

代价：事件触发要求所有设备都能输出同一个事件信号，老设备做不到；互相关要求信号本身有足够的相关性，压力曲线和图像之间往往没有；物理约束只能排除错解，不能生成正解。

这三条里，事件触发是最实用的。它把绝对时间的问题，转成了相对顺序的问题，而相对顺序对时钟精度不敏感。

第五章 第三道墙：精度

5.1 速度、精度、曝光、视野的四角制约

运动模糊等于速度乘曝光时间。

表 11 速度与曝光时间对应的运动模糊

图 5 速度、曝光、模糊三角

要检出 50 微米的缺陷，模糊必须小于 25 微米，也就是半个缺陷尺寸。

1 米每秒下，需要曝光小于 25 微秒。

曝光 25 微秒的进光量，是 1 毫秒的 1/40。

要补回这 40 倍，要么把光照强度提到 40 倍，要么把增益提到 40 倍。

增益 40 倍，噪声放大约 6.3 倍，因为噪声随增益的平方根增长。

这就是 047 那篇说的“光源决定检出率”的数学根源：不是光源重要，是曝光时间被速度逼短之后，只有光源能补回光子。

四角制约的意思是：速度、精度、曝光、视野，四个量里你只能锁定三个。想要高速度加高精度，视野就得缩小；想要大视野加高精度，速度就得降下来。

5.2 卷帘快门的陷阱

卷帘快门逐行读出，读出时间 10 至 30 毫秒。

在 200 毫米每秒的运动下，首行和末行的曝光时刻差 10 至 30 毫秒，位移差等于 200 毫米每秒乘 20 毫秒，等于 4 毫米。

4 毫米的位移差，足以让方形变平行四边形，圆形变椭圆。

对位姿估计是灾难：特征点在帧内不同位置的偏移量不同，算出来的旋转角是错的。

判据：运动速度超过 0.3 至 0.5 米每秒的产线，必须用全局快门。低于 0.05 米每秒的静态工位，卷帘快门可以用。

差别只在运动的时候出现。而试点阶段，很多工厂是把工件拿在手上、放在台上慢慢拍的。

5.3 传感器像元的物理下限

主流工业 CMOS 的像元尺寸，决定了物方分辨率的起点。

表 12 三款工业 CMOS 的关键参数

像元尺寸决定了物方分辨率。要检 10 微米缺陷，需要至少 3 至 5 倍光学放大，视野就小了。

这里有一个绕不过去的换算：物方像元尺寸等于像元尺寸除以放大倍率。

2.2 微米的像元，配 4 倍放大，物方像元是 0.55 微米；不配放大，物方像元就是 2.2 微米。

所以“高分辨率相机”这四个字，在工业检测里几乎没有意义。有意义的是物方像元尺寸，而它由相机和镜头共同决定。

5.4 算例 C：2.16 亿像素的需求

条件：检测视野 300 毫米乘 200 毫米，要检出 50 微米缺陷，要求缺陷至少覆盖 3 个像素。

推导第一步，算需要的物方像元尺寸。50 微米除以 3 像素，等于 16.67 微米每像素。

推导第二步，算需要的像素数。水平 300 毫米除以 16.67 微米，等于 18000 像素；垂直 200 毫米除以 16.67 微米，等于 12000 像素；总像素 18000 乘 12000，等于 2.16 亿像素。

推导第三步，对比主流配置。主流 500 万像素是 2048 乘 1200，差 43.2 倍。

推导第四步，两条出路。缩小视野，分成 43 个工位，每个工位一个相机，设备成本 43 倍，标定和维护复杂度 43 倍；或者降低规格，把检出目标从 50 微米放宽到 200 微米，像素需求降到 1350 万，可以用 2 台相机拼接。

结论：所谓“一套视觉系统检全品类”，在物理上不存在。要么多相机阵列，要么降规格。

云质变判断

所谓“一套视觉系统检全品类”，在物理上不存在。

5.5 硬件限制、软件补偿