为什么机器视觉不稳定，各种bug导致系统的不稳定

入坑机器视觉后，发现在开发与使用过程中总有各种bug导致系统的不稳定，故总结之，以此为鉴，谨记勿犯！

设定明确的边界条件

机器视觉或者说现在的人工智能，还没有做到完全的智能，所以在生产实践中更好的方法是在特定的条件下开发特定的算法，将算法框定在一个明确的范围内时，那么算法将变的更加robust，否则脆弱不堪，应用某visioner的话，这样的算法非常weak。在此基础上，小心迭代扩大算法的适用场景与范围是明智之举。设计算法不考虑特定应用场景、没有明确边界条件、没有前提假设，这是新手常犯的错误，避之免之。

赋予任何参数以明确的物理意义

由于机器视觉的处理结果与实际物理环境紧密相连，参数作为设计算法时的重要变量，一定要赋予实际的物理意义，做到有理可依，有时候凭借经验设置的参数值也许仅仅适用于某一物理尺度，当环境改变时，这样的参数将失效并且这样的问题也往往不容易察觉，给算法带来不稳定的隐患。虽然在调试深度学习时，有的参数确实是凭借经验，无法解释，但是设计传统算法时还是要遵循此原则。

遵循软件工程的原则开发

这条规则不仅仅适用于机器视觉软件、其他软件开发也同样适用于非软件的其他工程项目开发。我在菜鸟季经常犯的错误是，短时间内不断的在原有算法基础上增加大量功能，贪图省时省事（有时候是时间紧急、迫不得已！），没有对每一个功能模块进行单体测试，开发完成后直接进行结合测试。这样的测试是低效的、不完整的，日后会有各种bug暴露出来，按软件工程原则开发、有节奏的开发，将带领你走出新手村。

重视现场

机器视觉是一个与现场结合非常紧密的学科或者工作，并且相比计算机视觉，机器视觉需要高度的稳定性，所以要充分积累现场的经验，结合现场往往会带来算法上的简化与稳定，带来开发效率的提升，所以现场是宝库，积累经验升级自己，具体实例等待各位machine visioner去现场体验。

提升创造力

经验与创造力是驱动机器视觉能力的两架马车，如果仅仅只是经验的增长，就不能灵活应对未来各种各样的任务，在机器视觉智能化的道路上不会走远。提升创造力的关键在于涉猎与思考，不断涉猎与之相关的大量的知识，各种信息在头脑中碰撞产生创造力的灵感，思考如何应用于实践，这将对提升创造力大有裨益。

审核编辑 ：李倩