质量检测投入占企业营收2%的行业，报废率却比投入0.5%的企业高出4倍——这不是检测工具不够贵，而是选型逻辑出了错。你纠结的从来不是“哪种检测方案最好”，而是“你的产品缺陷、生产节拍、预算上限，到底该配哪种检测武器”。

全检与抽检：不是省钱博弈，是风险容忍度差异

一家汽车零部件厂同时用了两种方法：对安全件（制动阀）做100%气密性测试，每一件都过线；对非关键外观件（内饰卡扣）只做每两小时抽检30件。结果安全件的缺陷流出率始终低于0.01%，而外观件因抽检漏掉整批混料，一次被客户退货损失了12万元。全检不是“更贵更慢”，而是当单件失效成本超过检测成本时，你必须选它；抽检也不是“省钱取巧”，而是当缺陷率稳定、且后果可接受时，统计控制图比全检更高效。

离线实验室 vs 在线传感器：数据时效决定你的纠错速度

某电子代工厂的SMT贴片环节，一直用离线X光机每班次抽测5块板，发现焊点空洞率超标时，不良品已经流到后段组装，返修成本每块板4.7元。后来换成在线3D SPI（焊膏检测）传感器，每块板过炉前实时扫描，不良焊盘在贴片前就被标记并停机报警。结果返修成本降到每块板0.8元，良率从92%跃到97%。离线检测的数据再准，也是“事后验尸”；在线检测的数据再糙，也是“实时救命”。你该选哪个，就看你愿意为“及时性”付多少溢价。

人工目检 vs 机器视觉：不是替代关系，是分工边界

一家食品包装厂把所有的封口瑕疵检测全部换成机器视觉，结果频繁误报：包装袋上的印刷文字反光被识别为裂纹，导致停机频繁。最终他们重新划界：视觉负责定量检测（封口宽度、热封温度曲线），人工负责定性判定（是否漏气、色差是否可接受）。人眼在复杂背景下的识别精度依然优于2D视觉，但人眼每40分钟就会疲劳；机器在单一特征的重复测量上能24小时稳定。两者的分水岭，是“可量化的物理量”交给机器，“模糊的感官判断”交给人工。

常见误区第一条：盲目追求“全自动检测”，忽视了产线节拍的匹配。一套高速机器视觉系统如果处理速度比生产线快20%，多余的算力只是待机损耗；如果慢10%，就会成为产线瓶颈，倒逼降速或堆积。

常见误区第二条：用检测精度替代过程控制。把检测仪精度从0.1mm升级到0.01mm，结果发现90%的“不良品”其实是设备振动导致的重复性偏移——花2万元改进夹具固定方式，比花20万买高精度检测仪更重要。

可行建议第三条：做一次“缺陷成本-检测成本”权衡表。列出你产品前5类缺陷，算出每类缺陷的单次损失金额（含客户索赔、返工、报废），再对比不同检测方案的单件分摊成本。当检测成本超过缺陷损失5倍时，就考虑降级检测或改用统计抽样；当缺陷损失超过检测成本3倍时，就必须升级到全检或在线检测。