样本收集的致命误区：为什么你的AI模型“一上产线就拉胯”？
很多工程师在收集TVA训练集时，喜欢从良品堆里挑50个，再从废品筐里挑50个，觉得凑够100个样本就能让AI“快速学习”了。结果一上线，只要背景稍微有点灰尘，或者螺母有点偏转角度，系统就疯狂误报。
这就是典型的样本分布失衡与缺乏泛化性。实验室里的废品是静态挑出来的，而产线上的状态是动态千变万化的。
避坑指南：样本收集是一门脏活累活，但有严格规范：
- 覆盖全工艺方差：不仅要收集极限缺陷（缺焊、错位），更要收集“边界样本”（比如焊得勉强合格但外观很差的）。同时，必须包含早班、晚班、不同批次原材料、甚至不同操作工打出来的零件。
- 加入“噪声样本”：故意收集带有油污、水渍、边缘毛刺但焊接本身合格的零件让TVA学习，告诉它“这些脏东西不是缺陷”。
- 姿态多样性：同一个零件，在传送带上可能有±5°的旋转偏差，样本图必须包含这些实际工况下的偏转角，否则模型会极其脆弱。
另外，现场调试工程师最怕听到的一句话就是：“图像拍不清楚，你算法能不能处理一下？”兄弟，GIGO（垃圾进，垃圾出），算法再牛，也还原不出图像传感器上没捕捉到的信息。
汽车冲压件的焊接点检测，光学环境极其恶劣：金属反光（镜面反射）、焊渣飞溅、表面油污。如果只用一个同轴光或者普通环形光，拍出来的螺母要么是一片死白（反光），要么是一片死黑。在这种图像上跑AI，模型一定会过拟合到光斑上，换个角度就全报错。
避坑指南：在TVA系统实施初期，千万别急着开跑算法。光学方案的搭建决定了项目80%的成败。
- 克制反光：对于螺母平面，必须使用漫反射光或低角度组合光，打匀焊点周围的底色。
- 凸显特征：对于焊点本身的凹凸不平（虚焊是平的，合格是凸起的），必须引入特定角度的定向光，利用阴影来凸显三维形貌。
- 物理隔离：加装除尘气吹，防止飞溅物污染镜头。记住，把特征在物理层面上打好，TVA的快速学习能力才能事半功倍。