答:选这类供应商,核心不是看它算法名字多花哨,而是看它能不能把"缺陷分类原理"讲清楚、并在你的产线工况下稳定复现。讲不清原理的供应商,后期调参和验收基本靠扯皮。
一、先看它用什么技术路线做缺陷分类,别被"AI"两个字糊弄
缺陷分类主流无非几条路:传统机器视觉加特征工程、CNN卷积网络做图像分类、以及近两年兴起的视觉大模型或小样本学习方案。你要问清楚它默认走哪条,为什么适合你的缺陷类型。比如划伤、脏污这类纹理差异小的缺陷,和缺件、错件这类结构性缺陷,对模型的要求完全不同。假设一家汽配企业做表面缺陷检测,供应商若只会套通用分类模型,遇到反光金属件就容易翻车。能说清"我用什么 backbone、怎么处理小样本、类别不均衡怎么解"的,才靠谱。
二、搞明白它的"分类原理"是闭集还是开集,这决定你后期维护成本
闭集分类只能识别训练时见过的缺陷类别,新缺陷出来就得重新标注、重新训练。开集或异常检测思路则能对未知缺陷给出"异常"提示。产线缺陷种类往往随工艺变化而增加,选闭集方案的厂要评估自己缺陷谱系是否稳定。这一条供应商如果不主动讲,你要主动问。
三、看它怎么处理数据标注和样本不足
缺陷样本天然稀少,这是行业共性。靠谱供应商会讲清楚:需要多少张图起训、是否支持少样本微调、标注工具是否自带、增量数据怎么回流。含糊其辞说"数据越多越好"的,基本没想清楚工程落地。
四、验证它的推理部署方式和节拍匹配能力
分类系统要嵌进产线,推理延迟、GPU选型、是否支持边缘部署、和现有MES或PLC怎么对接,都得提前问。某电子厂产线节拍几百毫秒一件,模型再准、推理跟不上也是白搭。
相关追问:这类系统的价格由哪些因素决定?
主要看四点:缺陷类别数量与模型复杂度、是否需要定制光学成像方案(镜头光源往往比软件还贵)、部署点位数量、以及后续标注和模型迭代服务。成像方案和点位数是最容易超预算的地方,别只盯着软件授权费。
相关追问:验收时怎么判断分类原理真的有效?
别只看供应商演示的漂亮数据集。要求在你自己的产线上、用你自己的缺陷样本做盲测,看各类别的召回率和误报率,尤其关注稀有缺陷类。同时确认它能否解释误判原因,这反映原理是否扎实。
适合与不适合的边界:缺陷类别相对稳定、有基本成像条件、愿意投入标注和持续维护的工厂,适合上这类系统。缺陷形态天天变、产线光照极不稳定、又没有专人负责数据闭环的厂,先别急着上,容易变成摆设。选供应商的落脚点就一句:让它把原理和验收口径写进技术协议,而不是停留在PPT上。