做医药行业视觉检测的朋友，大概都懂药片缺陷检测的痛点：缺角、裂纹、色斑、碎粒，全是毫米级的小目标，大的一两毫米，小的不到0.5mm，对应到640分辨率的图里就几个像素。传统机器视觉算法调参数调到头，换个批次、变点光照就崩；上了YOLO，实验室测着mAP挺高，一上产线微小缺陷漏检率直接飙升，要么就是反光误检一堆。去年帮客户做过一套泡罩包装药片缺陷检测的项目，从数据采集、模型优化到产线落地踩了一路坑，最终把微小缺陷的召回率做到了98.7%，误检率控制在千分之二以内，速度满足产线每分钟120板的要求。这篇文章就把完整的落地思路分享出来，从数据处理、模型优化到部署避坑，全是实战验证过的方案，做小目标检测的都可以参考。一、先讲清楚：药片缺陷检测的核心难点药片检测属于典型的工业小目标场景，难点从来不是算法本身，而是场景的约束和小目标的天然特性：目标尺度极小，特征信息少常见的药片直径大概6-10mm，而缺角、微裂纹这类核心缺陷，尺寸通常在0.3-1mm之间。在1280×960的相机画面里，有效缺陷区域可能只有5-15个像素，特征极其微弱，很容易和背景噪声、压缩伪影混在一起。缺陷类型多，样本极不均衡常规检测项就包括缺粒、碎边、缺角、裂纹、色斑、异物、色差七八类，其中裂纹、色斑这类微小缺陷的样本非常少，产线上可能几百板才出一个。正负样本比例经常达到1:10甚至更低，模型很容易偏向预测良品，把缺陷当成正常。召回要求极高，漏检代价大医药行