机器视觉
AI视觉检测系统如何搭建？
搭建AI视觉检测系统应依次完成缺陷标准、成像工位、数据与评估集、模型、边缘部署、产线接口和质量闭环。
直接答案： AI视觉检测系统应先统一缺陷定义并设计稳定成像，再采集覆盖真实变化的数据，建立独立评估集和模型基线；之后完成边缘推理、PLC或业务接口、人工复核和数据回流。模型只是系统中的一个环节。
1. 明确检测对象和错误代价
列出缺陷类型、严重等级、最小尺寸、位置和争议样本，说明漏检和误报分别会造成什么影响。不同质量人员的判定若不一致，模型也无法学到稳定标准。
2. 让缺陷稳定可见
根据视野、分辨率、工作距离、景深、材料和节拍选择相机、镜头与光源。先检查原图是否稳定区分缺陷，再讨论AI算法。
3. 建立数据与评估集
覆盖不同批次、型号、工位、时间、材料和环境。训练集用于学习，独立评估集用于判断；持续收集失败样本，但不能未经复核直接回流训练。
4. 选择算法和指标
分类适合整图判断，检测适合定位目标，分割适合精确区域，异常检测可在缺陷样本少时作为候选。使用召回率、误报率、最小缺陷、节拍和复核量共同验收。
5. 边缘和产线集成
在目标设备上测试采集、预处理、推理、后处理和通信的端到端延迟。处理相机断流、网络异常、存储、温度和设备重启。
6. 建立质量闭环
平台关联产品、工位、设备、模型和结果版本，支持人工复核、统计和问题追溯。新型号或材料上线时重新评估数据分布。
参见AI视觉检测解决方案 和边缘AI部署 。
常见问题
应该先采数据还是先选模型？
先明确缺陷和成像，再采集代表性数据。模型选择应服务于可观测特征和业务指标。