工业现场的核心痛点
生产节拍快、产品型号多、缺陷样本少，现场光照、振动、灰尘与网络还会变化。AI方案若只在离线数据上追求指标，可能无法满足工位节拍、误报成本和维护要求。
网地解决什么
从现场调研和样本审查开始，评估AI任务是否可定义、数据是否可获得、成像和传感器是否稳定，以及结果如何进入质量或生产流程。必要时先建设采集工位，再开展算法PoC。
总体架构
产线触发/设备数据 → 相机和传感器 → 边缘工控或AI节点 → 模型与规则 → PLC/执行机构 → 复核与追溯平台 → MES/ERP接口。
AI算法与硬件
视觉任务可采用检测、分割、异常检测和OCR；时序传感器可用于状态分类和趋势分析。硬件选择围绕节拍、视野、最小特征、安装空间、接口、温度和维护条件展开。
软件与追溯
系统需要关联产品、工位、设备、模型、规则和结果版本，支持图片或数据查询、人工复核、统计、告警和样本回流。关键决策应可追溯，避免只输出不可解释的单一标签。
技术指标
召回率、误报率、单件节拍、设备在线率、数据完整性、复核工作量和停线影响应共同评估。最终验收数据需要来自约定工位和代表性生产周期。
实施流程
现场与质量标准调研 → 成像/采集PoC → 数据和算法验证 → 边缘工位 → 设备与系统接口 → 试运行和人工复核 → 指标评估 → 扩大部署。
技术难点
新材料、新型号、工装变化和光源衰减会造成数据漂移。系统应监测输入质量和结果分布，并建立抽检、复核与模型升级机制。
方案边界与案例参考
工业AI不等同于购买一台通用视觉设备。缺陷标准、工位、相机、执行机构和系统接口通常需要针对现场设计。公开案例中的二手手机AI估价回收系统 可用于理解稳定采集、AI判定与业务规则分层的方法，但不作为工业产线效果承诺。具体项目应先完成现场与样本评估。
常见问题
工业AI项目必须停线采集数据吗？
不一定。可根据工位条件设计旁路采集、历史数据导出或分阶段安装，但要保证样本能代表真实生产分布。
如何与PLC或MES对接？
需要确认协议、触发时序、数据字段、异常处理、权限和责任边界，再通过边缘工控节点或服务接口集成。