计算机视觉质量检测

自动光学检测是工业AI的桥头堡：前后对比最清晰、工具链最成熟、部署份额最大的场景——按场景计约占工业AI市场的11%（IoT Analytics）。一台相机加一个训练好的分类器以产线速度检查每一件产品，而人类检验员只能抽检、还会疲劳。

深度学习 vs 经典机器视觉

规则视觉（边缘、斑块、量规）仍然拥有尺寸测量——确定性强、可审计。深度学习拥有一切多变的东西：划痕、纹理、焊缝、表面外观、拍摄角度刁钻的装配体。实用系统两者混用，厂商的无代码训练工具已把新缺陷的再训练从集成商项目变成了技术员任务。

数据胃口

这是监督学习：需要标注的缺陷样本，而罕见缺陷——顾名思义——罕见。成功的项目把缺陷库当资产经营：每次漏检和误判都被标注并回灌。合成增强能撑大小库；它不能替代反馈纪律。

视觉发现；工艺ML解释

整周都在数同一种缺陷的检测系统，是检测的成功、预防的失败。成熟的模式把视觉输出作为一个变量接进工艺优化ML，让平台把缺陷率与上游工艺行为关联——把闭环从『抓住了』推进到『不再产生』。

常见问题

起步需要多少缺陷图像？

比传言少：现代工具在每类缺陷几十到几百个样本时就能有效起步，并随反馈改进。真正的要求是持续标注漏检和误判的纪律。

视觉检测会裁掉检验员吗？

是转岗：从盯着零件看，转向裁决边缘案例、调优系统和运营反馈闭环。工厂通常把检验人力转向预防，而不是裁掉。