156、产线质量管控：影像模组标定与一致性检测的实战策略

156、产线质量管控：影像模组标定与一致性检测的实战策略凌晨三点，产线紧急电话把我从被窝里拽出来——某批次5000颗模组，暗光下画面偏绿，白平衡一致性差到离谱。产线主管在电话里吼：“标定数据明明都过了，怎么装上去就翻车？”我盯着远程传过来的RAW图，心里凉了半截：这不是标定算法的问题，是标定流程里埋了三年的雷，今天终于炸了。标定不是“跑一遍脚本”那么简单很多团队把模组标定当成一个黑盒操作——上电、拍灰卡、跑算法、写OTP，完事。但产线真正的噩梦往往藏在那些“看起来过了”的细节里。那次翻车的根因，是标定光源的色温稳定性出了问题。产线为了赶产能，把标定工位的卤素灯寿命延长到了3000小时，实际到了2000小时，光谱就开始漂移。标定算法以为自己在D65下采集数据，实际光源色温已经偏到了5500K。模组标出来的白平衡增益，自然全是错的。更隐蔽的问题是：标定脚本里没有对光源状态做实时校验。我们后来在标定流程里加了一步——每次标定前，用参考模组拍一帧灰卡，计算当前光源色温与标准值的偏差，偏差超过100K直接报警停机。这个改动让产线良率从82%跳到了96%。一致性检测的“三明治”陷阱模组一致性检测，最怕的不是单个模组差，而是批次内模组之间“看起来都还行，但装到整机上就露馅”。我管这叫“三明治效应”——上下两层面包（标定数据）没问题，中间的火腿（实际成像）却变质了。有一次，某款车载环视模组，产线报告一致性检测通过率99.8%，但装车后拼接图像在接缝处出现明显的亮度跳变。追查发现，检测