做过工业无人机巡检项目的人，大概率都有过这种落差：实验室里训好的YOLO，测试集mAP冲到90%+，感觉效果稳了，拉到现场飞第一个架次，心直接凉了一半。逆光下缺陷漏检一半，阴影里杂物全被当成缺陷，几十米外的小缺陷根本看不见；一天飞下来几千张图，误报一堆，人工筛到半夜，客户说“你们这AI还不如人眼看的准”。很多人把原因归为“模型不够好”，换大模型、调参数、加数据，折腾半天，现场效果提升有限。其实工业级巡检落地，算法从来都只是基础，真正的难点全在工程侧。实验室是理想环境，工业现场是逆光、雾霾、震动、样本稀缺、业务流程复杂的混合战场，只盯着mAP做优化，从根上就偏了。这两年我前后落地过光伏、电力、管线三个方向的无人机巡检项目，踩过的坑能装一箩筐。从算法调优、机载部署，到后处理过滤、业务系统对接，全链路摸爬滚打下来才明白：工业巡检的核心不是“算法有多准”，而是“在真实场景下能不能稳定用起来，能不能真的替人干活”。今天就把工业巡检落地最常见的6大工程难题，以及我们反复踩坑验证过的解决方案，一次性讲透。都是实战沉淀下来的干货，没有花里胡哨的学术概念，全是项目里能用得上的硬手段。一、难题一：环境鲁棒性差——光照天气一变，精度直接腰斩这是现场遇到的第一个坎，也是最容易被忽略的问题。训练集大多是晴天、顺光、清晰度高的图片，到了现场什么情况都有：早晚逆光、阴天雾霾、树木阴影、镜头反光，同一类缺陷在不同环境下特征天差地别。去年做光伏电站巡检的时候就踩过这个坑。上午飞效果挺好，下午逆光飞，光伏板的污渍和隐裂直接漏检了40%；赶上雾霾天，整体对比度下降，模型直接“瞎了一半”。回来翻训练集，一百多张缺陷图全是晴天正午拍的，连一张阴天的样本都没有，
：归一化演进——BatchNorm、LayerNorm、RMSNorm、Post-LN / Pre-LN、DeepNorm)
