去年下半年在天津滨海新区一条SMT产线上做焊点AOI升级，传统算法对0402以下封装的虚焊、桥接误判率一直在3%左右徘徊，产线每天要安排两个人工复检工位。换了三版传统视觉参数都没打下来，最后决定上AI方案。前后迭代了两个半月，最终把误判率稳定在了0.087%，漏检率控制在0.02%以内，单工位推理速度12ms/帧。本文把完整的技术路径、踩过的坑和可运行代码整理出来。为什么选YOLO26而不是YOLOv8/v11选型阶段测了四个模型：YOLOv8s、YOLO11n、YOLO26n和PP-YOLOE+。测试集是产线实拍的2400张焊点图，包含冷焊、桥接、少锡、虚焊四类缺陷，每类约300张正样本，其余为合格样本。核心结论很明确：YOLO26n在小目标检测上的召回率比YOLOv8s高12个百分点，比YOLO11n高5个百分点，同时CPU推理速度快43%。最关键的是它原生无NMS架构，后处理代码量减少60%，不会出现NMS阈值调不好导致的漏检或重复检测，这对工业现场的稳定性太重要了。YOLO26的检测头采用one-to-one分配策略，每个目标只对应一个预测框，不需要非极大值抑制。从工程角度看，这不仅是少了一步后处理，更重要的是消除了NMS带来的延迟抖动——传统NMS的时间复杂度是O(n²)，n为预测框数量，在焊点密集场景下波动很大。YOLO26把后处理时间复杂度压到了O(n)，且n的数量级从几千降到了几百。整体架构与数据流向整个系统分三层：图像采集层、推理引擎层、业务逻辑层。产线用的是海康威视500万像素工业相机，通过GigE协议上位机采图，C#做主控逻辑和PLC交互，Y
