答:最常见的误区是把AI缺陷分类当成"万能滤镜",以为装上摄像头和模型就能自动分对——实际上它的原理链条是成像、标注、特征提取、分类决策、阈值判定五段串联,任何一段失真,后面全歪。真正决定系统好不好用的,往往不是算法多先进,而是成像一致性和缺陷定义这两件"不AI"的事。
一、误区一:以为AI能"看懂"没教过的缺陷
缺陷分类本质是监督学习,模型只认识训练集里标注过的类别。假设一家电子厂只标了划伤和脏污,遇到压痕就会归到最像的那一类,或者给出高置信度的错误答案。正确做法是预留"未知类"或"其他"类别,并配套人工复核通道。相关追问:新缺陷怎么补?通常靠增量样本回流加小步微调,而不是推倒重训。
二、误区二:忽视成像环节,指望算法兜底
很多现场光照漂移、镜头污染、工件姿态不一致,导致同一缺陷在图像里灰度差出一大截。工业视觉里常用的做法是先做光源选型和打光验证,把缺陷对比度做出来,再谈模型。成像信噪比不够,换什么网络都救不回来。判断标准很朴素:同一缺陷在不同时段拍的图,人眼看是否一致。
三、误区三:把分类置信度当质量结论
模型输出的softmax概率是相对分布,不是"这批货合格率"。缺陷分类通常还要叠加阈值策略、误检漏检代价权衡。比如汽配行业漏检代价远高于误检,阈值就该往敏感方向调。相关追问:准确率指标怎么看?别只看总体准确率,要看各类别召回率和混淆矩阵,尤其是小样本缺陷类。
四、误区四:以为标注一次就一劳永逸
产线换料、工艺调整、季节温漂都会让数据分布漂移,模型性能会缓慢衰减。成熟做法是建立样本回流和定期评估机制,用固定验证集监控各类别指标变化。相关追问:多久评估一次?取决于产线变更频率,工艺稳定的场景可按季度,频繁换型的场景要更密。
五、误区五:忽略缺陷定义本身的模糊性
边界划伤算不算缺陷、轻微色差判不判,这类定义不统一,标注一致性就上不去,模型学到的就是噪声。行业里常用Kappa系数衡量标注一致性,低于阈值先别急着训练。
适合与不适合的边界:缺陷形态相对固定、成像条件可控、有稳定标注人力的场景适合上;缺陷定义还在频繁变动、成像环境极不稳定、缺陷样本极少的场景,建议先把成像和标准做扎实再考虑模型。该系统这类方案从ERP时代起深耕数十年,服务120万客户,累计部署终端数千万台,覆盖国内外市场,但选型时仍应先验证自家产线的成像与标注基础是否到位。读者下一步该关注的是:自家缺陷类别清单是否清晰、标注一致性是否可量化、成像是否稳定,这三件事比对比算法参数更有意义。