实验室99%的视觉AI，到了仓库为什么只剩92%

同一套算法，在供应商的实验室里测出来99.2%，搬到你的仓库，跑了一个月，真实准确率92%。别急着骂供应商骗人——这7个点的差距，大概率不是算法的问题，是你的仓库和他的实验室，根本不是同一个世界。

实验室长什么样？光线均匀，背景干净，包裹是摆拍的，相机是静止的。你的仓库长什么样？天窗透进来的光，上午和下午完全不一样；灯管老化，一半亮一半暗；传送带上全是灰；包裹被压得变形，胶带横在条码上反光；工人伸手一挡，相机就瞎一秒。算法没变，世界变了。

差距到底从哪来？我一个一个说。

先说光照。仓库的光是最不讲道理的变量。靠窗的传送带，上午顺光、下午逆光，阴天和晴天完全是两个亮度。视觉系统最怕的就是光照漂移——训练的时候见的全是均匀光，现场光一变，特征就对不上。解决办法土但是有效：给相机配独立光源，环形光或者条形光，把环境光的影响压到最小。别指望算法自己"适应"，物理上把光控住，比什么算法都靠谱。我见过一个项目，光源没配好，阴天下雨准确率掉五个点，加上环形光之后，波动基本消失了。

还有一个容易被忽略的变量：粉尘。仓库的粉尘是慢性的，镜头和光源罩上积一层灰，成像质量每天都在悄悄下降。解决办法不高级——把镜头清洁写进日常点检表，每周擦一次，比换算法管用得多。

顺带说个安装细节：相机尽量装在输送线正上方，振动最小；侧装的话，线体一抖画面就糊。安装支架别省那点钱，用带减震的，半年后你就知道值了。

再说包裹本身。实验室的包裹是新的、方正的、标签贴得端端正正。真实的包裹呢？纸箱被压瘪一角，面单贴歪了，胶带反光，黑色塑料袋裹着，什么都看不见。变形和反光这两件事，是视觉AI在仓库里翻车最多的原因。我的判断是：凡是做包裹识别的项目，训练数据里至少三成要是"丑包裹"——变形、破损、反光、污渍，越难看越好。只用漂亮包裹训练出来的模型，上线必翻车，这一条我还没见过例外。

然后是速度和遮挡。实验室里相机可以慢慢拍，仓库的传送带可不会等你。线速一快，运动模糊就来了；工人伸手拿一件货，遮挡就来了。这两个问题，靠算法硬扛都不划算，正确的做法是工程兜底：相机帧率和曝光时间按实际线速算好，关键工位加人工复核点。记住，视觉AI在仓库里的定位，永远是提效工具，不是替代人工。把它当替代人工用，迟早要交学费。

数据采集：必须在真实工况下做

这是我最想强调的一点。很多项目的训练数据，是供应商在自己实验室拍的，或者在你仓库里"摆拍"的——挑个光线好的时段，摆几个干净的包裹，拍一千张，回去训练。这种数据训出来的模型，叫实验室冠军，到了现场第一个阴天就现原形。

正确的做法是：相机装好之后，先空跑两周，只采集、不决策。把早中晚三个班次、晴天阴天、各种丑包裹，全收进来。标注的时候，重点标那些难样本——算法第一次判错的、置信度低的。这些难样本回流到训练集里，模型迭代两三轮，现场准确率才能真正上去。这个过程没有捷径，跳过这一步，92%就是你的天花板，后面再怎么调参都上不去。

工程师在输送线旁调试视觉系统

误报和漏报，代价是不对称的

写验收标准之前，先想清楚一件事：误报（把好的判成坏的）和漏报（把坏的放过去），哪个更贵？在绝大多数仓库场景里，漏报更贵。一个贴错标签的包裹发出去了，客户投诉、退货、重发，成本是几十美元起步；误报一个好包裹，最多是人工复核一下，几秒钟的事。

所以验收标准不能只看准确率这一个数字。我的建议是：把误报率和漏报率分开考核，漏报率卡得比误报率严一个数量级。签合同的时候，别信综合准确率99%这种漂亮话，直接问三个问题：测试集里漏报率是多少？测试集是不是真实工况数据？敢不敢把测试集的构成写进合同附件？这三个问题一问，供应商的真实水平基本就露出来了。