我当初做在线X-ray检测，并不是从技术出发，而是从“客户到底在怕什么”出发。绝大多数制造企业担心的不是“缺陷有没有被看见”，而是“良率、交期、投诉”这三件事，所以在线X-ray只有一个使命，就是把这些指标变得可控、可预测。说白了，如果你的方案只是把线下抽检搬到线上，拍拍图、出出报告，那基本没有竞争力，也很难收回设备投入。我自己的方法是，先和现场负责人一起，把“最贵的缺陷”和“最怕出问题的工位”列出来，再反推哪些必须用X-ray，哪些用其他手段就够了。很多时候，二成的关键缺陷就决定了八成的报废和投诉，你的在线X-ray系统就要紧紧围绕这二成来设计，其他功能全部往后排，这样既省钱，又容易快速上线验证。
我做第一条产线时就踩过坑，一开始被各种技术参数“带节奏”，什么空间分辨率、焦点尺寸、灰度级，聊得很专业，但最后发现产线最在意的是“每小时能过多少件”和“误判率能不能压到一个月几次”。所以步骤一我现在都会这样做：先定三个业务指标，比如目标良率、单件检测节拍、可接受的漏检率，再把这些指标细化成“必须发现的缺陷尺寸范围”和“典型结构形态”，这时候你再回头去选X-ray机型、探测器规格、视野范围，就很容易做取舍。判断是否定义清晰，有一个小标准，就是让现场班组长也能复述：“这套设备就是用来在多少秒内找出哪几类问题”，如果他们说不清，你的需求定义还不够狠，就不要急着买设备和写算法。
在线检测和实验室检测最大的本质差异，是“稳定运行”和“远程运维”比“极限成像效果”更重要。我的实践是把整套系统拆成三个可替换模块：前端是标准化的上下料和夹具接口，中间是X-ray成像单元，后端是算法服务器和产线系统对接。所有参数都必须做到可远程配置、可回放和可追溯，这样一旦现场报“卡机”“误报”，工程师不用飞过去，在后台看日志和历史投影图就能八成定位问题。这里有一个很实用的小动作，就是每次算法版本升级，一定要自动保存一批“对照样本”的检测结果，方便旧版和新版做在线对比，这样运营人员就不会因为“感觉报警多了”而让你回退版本。只要你把设备当成信息系统的一部分来设计，而不是当成一台“高大上的机台”，上线之后的沟通成本会小很多。
在线X-ray真正的价值不是多看出几颗不良，而是让工艺、供应链、设计都能从数据里得到可执行的改进建议。所以我在第三步一定会做一个“最小可用数据闭环”方案：检测端只保留几类核心字段，比如时间、工单、产品编码、缺陷类型、缺陷位置、报警截图链接，然后把这些数据自动推送到一个简单可视化界面上，按班次和工单统计缺陷率。一旦某个工位或某批来料的缺陷率异常，就自动推送给对应负责人，让他们有义务在系统里填“原因”和“处理结论”。久而久之，你会发现X-ray不只是一个找问题的工具，而是一个逼着团队持续优化的“监督者”。老实讲，这一步对组织习惯要求很高，但只要你哪怕先把“一类关键缺陷”的闭环跑通，后面的扩展就水到渠成了。
只为最贵的那几类缺陷设计方案，拒绝“什么都想看一点”，否则设备配置、算法难度和预算都会被拉爆，项目很难跑通。
提前邀请现场班组长和质量负责人参与需求讨论，让他们给出“能接受的节拍和误报范围”，这样上线后争议会少很多。
所有检测参数必须可远程调整并记录版本，包括曝光参数、对比度增强、阈值规则等，否则后期优化会非常痛苦。
算法评估不要只看离线识别率，而要看“产线节拍下的综合表现”，包括误报引起的停线成本和复判人力成本。
从一条产线、一个关键工位的小场景切入，三个月内闭环一个指标，比如把某类焊点空洞率降低一个可量化的数值，用结果反推投资回报。
上线初期预留“人工复判模式”，让系统把可疑样本打包出来，由经验工程师快速复核，这既能训练算法，也能降低一开始的信任门槛。
方法一：选一台带开放接口的X-ray主机，加上工业视觉软件或算法框架。比如使用带标准通信协议的X射线设备，再配合类似Halcon或OpenCV这类成熟图像处理工具做预处理和缺陷特征提取，算法服务部署在一台边缘服务器上，通过接口把结果回写到现有MES或质量系统，这种方式适合有一定研发能力、想掌控算法和数据的团队。
方法二：采用“设备厂商加云平台”的轻量方案。也就是核心成像由成熟设备厂商提供，由他们提供基础检测软件和远程维护能力，你自己重点投入在与自家业务系统的对接和数据看板建设上，可以用常见的低代码报表平台快速搭建缺陷分析界面，这种路线能较快验证价值，后续再视情况逐步自研算法模块，降低前期试错成本。