摘要：在汽车总装线上，螺栓漏装、未拧紧导致的召回事件屡见不鲜。传统机器视觉（CV）依赖人工设计特征，对光照变化、油污干扰极其敏感，误报率居高不下。本文分享一套基于 C# WPF 上位机 + ONNX Runtime + YOLOv8 的深度学习视觉验证方案。通过将训练好的轻量化模型嵌入工业 PC，实现了毫秒级推理、零样本迁移和动态阈值调整。在某主机厂发动机缸盖检测工位落地后，漏检率降至 0PPM，误报率控制在 0.5% 以内，单节拍检测时间<300ms。
一、背景：为什么传统算法搞不定“螺栓检测”？
在汽车零部件检测现场，我们常遇到这样的“硬骨头”：
传统的 OpenCV 方案（如模板匹配、边缘检测、Hough 变换）需要工程师花费数周时间调试阈值和滤波器参数。一旦换型或环境微变，整个系统就得重新标定，维护成本极高。**“调参两小时，运行五分钟”**是常态。
引入深度学习（Deep Learning），特别是目标检测算法 YOLO（You Only Look Once），让问题迎刃而解。它不再依赖人工规则，而是通过数据学习“什么是螺栓”，具备极强的泛化能力。
