用于药品 blister packs 的 computer vision defect detection

药品 blister pack 检测说明了一个事实：computer vision 项目需要的不只是模型。

问题听起来简单：检测 blister pack 上的缺陷。但实际系统要处理光照、反光、包装差异、相机位置、容忍规则，以及错误判断的成本。

这是我设计 computer vision defect detection project 时采用的思路。

检测问题

机器需要识别缺片、seal 损坏、药片位置错误、表面污染、碎片或异常包装状态。

关键不只是 detect，而是进入生产 inspection flow：

Capture image
    -> normalize lighting and ROI
    -> inspect blister cells
    -> classify defect type
    -> show evidence frame
    -> route pass/fail decision
    -> save trace for review

在质量控制环境里，没有证据的结果很弱。operator 需要看到系统为什么 reject 一个 pack。

Dataset 思维

dataset 往往是最难的部分。

只用干净样本训练的模型可能 demo 很好，但在工厂失败。实际 dataset 需要：

多种光照下的正常 pack；
人类也会犹豫的 borderline sample；
来自不同 packaging batch 的数据；
和 inspection rule 对齐的缺陷样本；
来自真实 camera setup 的图像。

目标不是优化一个 benchmark，而是在生产变化下保持稳定。

系统设计

我倾向于分层设计：

用 deterministic image processing 做 alignment、crop 和明显区域检测。
用 ML/CV model 做缺陷分类和 anomaly detection。
对不确定样本保留 review UI。
每个结果都保存 evidence image 和 inspection metadata。

不是每个部分都需要 deep learning。传统图像处理在 alignment 和简单几何上经常更稳定。AI 层应该处理真正困难的视觉判断。

如何衡量

有用的指标应接近生产：

false reject rate；
false accept rate；
每个 pack 的 inspection latency；
operator override rate；
各类别 defect recall；
光照和 batch 变化下的稳定性。

Accuracy 不够。reject 太多好产品会拖慢产线，accept 坏产品会带来质量风险。

我学到的东西

制造业里的 computer vision 是工程系统，不是 notebook。

相机、光照、UI、operator workflow、evidence trail 和维护计划，与模型同样重要。好的 defect detection system 应该让 operator 能理解，让 engineer 能度量，并且在 production 中足够稳定。