在嵌入式视觉项目中，海思平台凭借其稳定的编解码能力和丰富的接口，一直是很多AI产品的首选方案。不过，当产品因为成本、供应或者性能升级而更换镜头或Sensor时，有一个问题往往容易被忽视：原本在旧硬件上调好的模型，还能直接信任吗？
答案是不能。因为镜头和Sensor决定了光路进入成像系统的物理特性，任何改变都可能让模型输入数据的分布产生偏移。具体来说，有几个关键场景必须重新验证。
首先是清晰度和分辨率相关场景。比如人脸识别、车牌识别或者工业缺陷检测，这类任务对边缘纹理极其敏感。新镜头的MTF曲线、Sensor的像素尺寸如果不同，图像的高频细节表现就会有差异。原本能识别出的模糊目标，可能现在分辨率不够了；反之，原本被噪声掩盖的特征也可能浮现出来。所以需要重新采集不同距离、不同光照下的测试集，确认模型的精度曲线是否仍然达标。
其次是色彩与白平衡相关场景。不同Sensor的RGB响应曲线和色彩矩阵通常不一致，即使同一颗Sensor，不同镜头的镀膜也会影响色彩通透度。如果模型依赖颜色特征，比如交通灯识别、肤色检测或者农作物病虫害分类，就必须重点验证。建议在新硬件上重新标定白平衡和色彩校正参数，然后用同样的色卡和真实场景图片对比新旧输出的差异，看是否会导致误判。
再就是低照度和宽动态场景。夜视效果受Sensor量子效率和镜头光圈共同影响，更换硬件后，原本能看清的暗部细节可能变成纯黑，或者噪点增多导致检测率下降。宽动态场景则取决于Sensor的HDR融合能力和镜头的抗炫光表现，例如强逆光下的人脸轮廓可能出现过曝或光晕，直接影响识别。这类场景往往在实验室很难完全模拟，需要在真实环境中多采集黄昏、夜间、逆光等极端条件的数据。
最后，如果模型用了图像归一化或ROI裁剪，还要检查新Sensor的曝光增益和输出分辨率是否变化。比如从1080p换成1440p Sensor，就算输出尺寸不变，内部的裁剪和缩放策略可能不同，导致目标的宽高比和坐标映射出错。
综上所述，更换镜头或Sensor后，不能只做简单的图像效果调试，而应该把模型涉及的各个核心场景重新过一遍。最稳妥的做法是建立一套针对当前硬件组合的验证基准集，包含清晰度、色彩、低照度和动态范围等典型情况，用数据说话，而不是凭经验判断。毕竟，硬件变了，模型的“世界”也就变了。