我在产线折腾X射线检测十几年，先说一句实在话：看不懂成像原理的人，基本调不出稳定的检测效果。在线X射线检测机的核心链路其实就三段：射线源、被检工件、探测器。射线源电压决定穿透能力，电流决定剂量多少，传送速度决定每个像素累积多少信号，这三者就是你手上的“油门”“刹车”和“档位”。射线穿过工件后，密度高、厚度大的地方吸收多，在探测器上就更暗；密度低、空洞、裂缝位置吸收少，就更亮。在线系统多用线阵探测器配合输送带运动，通过同步扫描拼成整幅图像，所以稳定的机械传动和触发信号，同样会直接影响清晰度和几何尺寸精度。很多人只盯着分辨率参数，其实对比度、噪声、伪影抑制往往更关键，这取决于你对电压、电流、曝光时间和滤线栅等组合的理解和取舍，能不能根据不同材料和厚度快速切换一套“配方”，这是现场工程师实力高低的分水岭。
缺陷识别这块，我见过太多把希望全压在算法供应商身上的团队，结果良率和漏检率始终拉不下来。X射线图像本质是密度投影，任何缺陷都要转成可观测特征：灰度变化、形状特征、边缘特性和空间位置关系。比如铸件气孔，通常是灰度偏亮、边缘较圆、分布有一定聚集性；裂纹则多呈细长高对比度结构，对方向和延伸路径敏感；焊点里的虚焊、少锡，表现为焊盘与焊料之间的接触面积异常变小或形状不完整。在线场景因为速度快，图像噪声和轻微模糊不可避免，这就要求你在制定缺陷判定标准时，区分“功能性缺陷”和“外观可接受异常”，否则算法不是误杀一大片，就是放过关键风险。真正靠谱的做法，是把缺陷与失效模式关联起来，给出明确可量化的阈值，而不是一句模糊的“看着不太好”，这样算法才能学得准、人机协同也才有意义。
从现场经验讲，图像没打好，识别率优化都是空中楼阁。落地做法可以用一个简单的“四步调参法”：第一步固定工件位置和姿态，选一块代表性区域作为评估窗口；第二步先调电压，只看穿透是否到位，原则是关键结构刚好分离、不过度过曝；第三步在电压合适的前提下调电流和曝光时间，观察噪声粒度和边缘锐度，把信噪比拉到设备允许的上限；第四步才考虑速度和图像增强参数，保证把实验室效果搬到产线节拍下。每种典型物料和厚度组合都形成一套参数模板，禁止现场随意改动，只允许在模板基础上做微调并记录，这样后续算法训练用的图像分布才稳定，不会今天一套风格、明天另一套风格，模型根本收敛不了。
缺陷识别做不好，很大一部分是人都说不清什么算“缺陷”。我一般要求先做“黄金样本库”，包括三类图像：典型良品、典型严重缺陷、边界样本。每张图必须有共识标注，附上判定理由和对应的工程后果，比如“此气孔尺寸和位置对疲劳寿命影响有限，可接受”或者“此裂纹位于受力主路径，必须判废”。工具上不需要花哨，用LabelImg或CVAT这类开源标注软件就够用，关键是把版本管理和权限管好，避免谁都能改标准。然后把检验、工艺、质量、设计四方拉到一个桌上，对有争议的样本定期复盘，逐步收敛成可执行的图像判定规范。有了这套样本库，你再去和设备商、算法供应商沟通需求，大家说的是同一种“语言”，迭代速度和效果都会翻倍。
在线X射线检测最终要对良率和风险负责，完全依赖复杂模型并不稳妥。我在项目里常用的做法是“算法加规则双通道”：主通道用机器学习或深度学习模型做细致识别，辅通道用若干简单但保守的规则去兜底，比如最大外形尺寸偏差、整体灰度异常、关键区域密度分布异常等。一旦规则触发，就标记为需人工复核，而不是直接放行。这样即使模型在某些新缺陷类型上暂时不敏感，也能通过规则发现异常迹象，争取到人工确认的机会。规则设计时要控制数量和粒度，宁可只管住最关键的几种失效模式，也不要为了“聪明”搞出几十条细碎逻辑导致误报爆炸，产线很快就会把系统当成噪声屏蔽掉，最后变成走形式。这种分层策略落地简单，却极大提升整体系统的可解释性和可维护性。
很多工厂买了在线X射线设备，只当成一个昂贵的“照相机”，没有把它变成持续优化工艺的传感器。比较落地的做法是：首先把关键工艺参数、X射线检测参数和每批次的缺陷统计数据打通，至少能按时间和批次关联起来；其次建立简单的可视化看板，让工程师一眼能看到比如“焊接温度变化”和“桥连、少锡比例”的关系，“铸造温度和冷却速度”与“气孔尺寸分布”的关系；最后再考虑用统计建模或者轻量级机器学习做趋势预测和参数推荐。注意一开始不要追求多高级的算法，先把数据“对得上号、查得出来、看得明白”，这一步九成企业都还没做好。等到你能根据X射线缺陷分布反推上游工艺问题，甚至提前预警某条线偏离最佳窗口，那时X射线检测机才真正发挥出价值，而不是仅仅在终端帮你捡漏。