客户痛点
人工检测容易受到疲劳、经验和节拍影响；传统规则视觉在材料、纹理、光照或缺陷形态变化时维护困难。AI可提高复杂缺陷的识别能力，但如果成像不稳定、缺陷标准不一致或数据分布变化，模型同样会失效。
系统总体架构
工位与触发 → 光源、镜头与相机 → 图像采集与质量检查 → 边缘AI推理 → 判定与执行机构 → 人工复核 → 质量数据库与模型迭代。必要时与PLC、MES、ERP或追溯系统连接。
AI算法与数据
根据任务选择分类、目标检测、语义/实例分割、异常检测或OCR。标注规范需明确缺陷类型、严重等级、边界和争议样本。评估应按产品型号、工位、材料、光照和缺陷尺寸分层，而不是只看单一总体准确率。
硬件与边缘计算
相机分辨率、视野、镜头焦距、景深、曝光和光源方式共同决定缺陷是否可见。边缘设备根据模型、节拍、相机数量和接口选择，需验证端到端延迟、连续运行温度和断线恢复。
软件平台
平台可提供工位和设备管理、样本与结果查询、缺陷复核、规则配置、统计报表、告警及模型版本管理。复核结果可进入数据闭环，但必须经过筛选与版本控制。
技术指标
| 指标 | 说明 |
|---|---|
| 漏检率/召回率 | 重点衡量关键缺陷是否被发现 |
| 误报率 | 决定复核工作量和产线影响 |
| 最小缺陷尺寸 | 受成像分辨率、对比度和安装条件限制 |
| 节拍与延迟 | 应包含采集、推理、通信和执行动作 |
实施流程
缺陷与样品审查 → 成像PoC → 数据采集与标注 → 基线模型 → 目标设备部署 → 工位联调 → 小范围试运行 → 复核闭环与迭代。
技术难点
最难处理的通常是“看不清”和“定义不一致”。应先让缺陷在图像中稳定可见，再统一质量判定标准。对新型号、新材料和设备漂移，需要通过监测和抽样复核识别数据变化。
案例与延伸阅读
二手手机AI估价回收系统 展示了如何用相对稳定的多角度采集、视觉识别和运营规则处理外观状态与业务定价。工业检测项目的工位和执行链路不同，但成像、缺陷定义、复核和版本追溯方法具有参考价值。还可阅读AI视觉检测系统如何搭建 和边缘AI部署 。
常见问题
样品很少，可以做AI视觉检测吗？
可以先评估成像和缺陷定义，但模型上限受样本覆盖影响。可从数据采集PoC开始，逐步补充正常、缺陷和边界样本。
视觉检测能做到零漏检吗？
通常不能做绝对承诺。应根据业务代价设定召回率、误报率和人工复核策略，并明确未覆盖的缺陷边界。