AI 视觉质检怎么落地？从缺陷样本到产线部署

01人工质检的三个瓶颈：漏检、标准漂移、招工难

为什么质检工位最先该被 AI 改造？三个瓶颈持续恶化：

• 漏检不可避免：人眼连续高强作业 2 小时后漏检率明显上升，8 小时班次的漏检靠「多人工序互检」弥补，成本翻倍还堵不住；
• 标准因人而异：同一件产品，A 检验员判 OK、B 判 NG——「毛边多长算缺陷」全凭手感，客诉与内部判责扯不完；
• 招工与流失：质检岗枯燥、强度大、年轻人不愿意干，熟练工流失后培训周期又长。

AI 视觉质检的价值公式：检测速度是人工的 5~20 倍、标准 100% 一致、7×24 不疲劳。但它的前提是「缺陷可被图像表达」——这就是能力边界问题，往下看。

02能力边界：什么缺陷适合 AI 检测，什么不适合

开工前先做可行性评估，把缺陷清单逐条过一遍：

• 适合的：表面划痕、脏污、印刷错漏、缺件错装、装配到位与否、尺寸超差（配合测量算法）、二维码可读性——特征明确、图像可表达、样本可积累；
• 需评估的：强反光材质（金属抛光面、镀层）的细微缺陷——成像难度大，要靠光源方案攻坚；透明材质内部气泡、注塑件内部缩水——常规视觉看不见，需超声波或 X 光；
• 不适合的：缺陷种类动态变化且无历史样本（新工艺早期）、需要破坏性检测的项目。

评估阶段做三件事：拿真实缺陷样品让厂商现场打样（用你的产品，不是他们的 demo 件）、约定目标检出率与误检率的量化指标、确认无法覆盖的缺陷类型的替代方案。这一步不花钱，但能拦住 80% 的烂尾项目。

03数据是前提：缺陷样本采集与标注实操

AI 检测模型靠缺陷样本「喂」出来，样本工作决定项目成败：

• 数量要求：每类缺陷至少 200~500 张有效样本（不同位置、不同程度、不同光照），OK 品图像要覆盖正常生产的全部波动（来料批次、班次、季节）；
• 采集方式：最经济的是「产线回捞」——先部署成像平台做人工复判，把每天检出的缺陷品自动拍照归档，2~4 周攒够第一轮样本；
• 标注规范：缺陷类型、边界、程度的标注标准要先定文档（什么算「划痕」什么算「碰伤」），同一张图两人标注结果一致率超 90% 才算规范可用。

冷启动的务实策略：先上「比对型」检测（模板比对、尺寸测量，不依赖大量缺陷样本），同时用回捞机制积累缺陷数据，3~6 个月后升级为 AI 检测模型。一上来就承诺「所有缺陷都能检」的方案，大概率在样本环节卡死。

04产线部署：相机、光源与 MES 联动

产线部署三件套要一体化设计：

• 相机与镜头：按最小缺陷尺寸的 3~5 倍像素覆盖选分辨率（如要检出 0.1mm 划痕，对应视场内该尺寸至少占 3~5 个像素）；高速产线用全局曝光相机配合频闪光源「冻结」运动图像；
• 光源：90% 的成像问题靠光源解决——明场看反光缺陷、暗场看划痕、背光看轮廓与缺件、同轴光看平面细节；光源方案要在打样阶段就锁定；
• 触发与剔除：光电传感器触发拍照，NG 品由剔除机构（吹气/拨杆）自动下线，剔除响应速度要与产线节拍匹配。

与 MES 的联动决定管理价值：检测结果实时回写 MES，关联工单与批次——超差率超阈值自动锁批并通知工艺员、缺陷类型统计看板暴露「哪个工位产生哪类缺陷」、质检数据自动进质量报表。只做拍照判 OK/NG 的视觉系统替代的是眼睛；与 MES 联动的视觉质检替代的是整个质量管理流程的感知层。

05上线后运营：误检处理与模型持续迭代

视觉质检系统上线只是开始，运营节奏决定长期效果：

• 每周复盘误检/漏检：导出 NG 判定图像人工复核，误检的要分析是光照变化、来料波动还是模型不足，可参数调整的不动模型；
• 缺陷库持续扩充：产线出现新缺陷类型（新模具、新来料），第一时间采集标注进训练集——缺陷库覆盖度决定检出率天花板；
• 季度模型迭代：积累的新样本定期重训模型，灰度验证（新旧模型并行跑一周）后再切换；
• 指标看板：检出率、误检率、过杀率、漏检逃逸到客户端的数量（这是终极考核）每月回顾。

验收与考核建议：合同里约定「检出率 ≥99%、误检率 ≤1%」（按缺陷类型分列），验收方式用 300~500 件混合样品盲测。上线后把「客诉中视觉缺陷类占比」作为长期指标——从百分之几降到千分之几，才是这个系统的真正回报。