答:AI质量缺陷分类系统的核心原理,是用深度学习模型替代人工目检,把工业相机拍到的产品图像送入训练好的神经网络,由模型判断有没有缺陷、属于哪一类,再把结果实时回传给产线做分拣或报警。它不是一个孤立的算法,而是"成像—预处理—推理—决策—反馈"的一条闭环链路。
一、成像与预处理是地基
系统先在工位部署工业相机和光源,按固定的触发信号抓拍产品表面。图像进来后做去噪、增强、ROI裁剪,把缺陷区域从背景里分离出来。这一步决定了模型的上限——打光不稳、分辨率不够,后面算法再好也救不回来。常见配置是500万到1200万像素面阵相机配环形或条形光源,微小缺陷场景会用到远心镜头。
二、模型推理是分类的核心
主流做法分两条路线。一条是监督分类,用标注好的缺陷样本训练CNN或ViT类骨干网络,输出划痕、脏污、缺料、变形等类别概率,适合缺陷类型明确、样本充足的场景。另一条是异常检测,只喂正常样本,让模型学习正常品的特征分布,推理时偏离分布即判为异常,适合缺陷形态多变、坏样本难收集的产线。实际部署里常把两者结合,先异常检测兜底,再分类模型细分。
三、决策与闭环决定能不能用起来
推理输出要过阈值判定和置信度过滤,低置信样本转人工复核,复核结果回流做增量训练。这套反馈机制是系统能不能长期稳定的关键。产线换型、光照漂移、物料批次变化都会让模型精度衰减,没有持续迭代能力的系统上线三个月就开始误判。
相关追问:训练一个缺陷分类模型要多少样本?分类任务通常每类几百到上千张有效缺陷图起步,异常检测路线正常样本几百张即可,但都依赖标注质量和覆盖度。相关追问:推理速度能跟上产线节拍吗?边缘端部署轻量模型,单帧推理可做到几十毫秒级,配合多相机分时触发能匹配多数流水线节拍;高速产线需要专门做模型压缩和硬件选型。
案例方面,某电子厂在连接器外观检测工位部署该类系统,替代原先的目检岗位,对引脚歪斜、镀层划伤、异物附着做分类,低置信样本自动转人工复判。假设一家汽配企业把系统用在铸件表面缺陷分类上,区分气孔、裂纹、夹渣,配合分拣机构做自动剔除。这类场景的共同点是缺陷有视觉特征、节拍可被相机触发覆盖、人工目检强度大且一致性差。
适合的场景:缺陷有稳定视觉表现、产线节拍固定、人工目检负担重且标准难统一的外观检测工位。不适合的场景:缺陷需要触觉或内部探伤才能判断、样本极少且无法收集、产品换型极其频繁导致模型来不及迭代的小批量多品种产线。
选型时值得关注的是成像方案是否按你的缺陷尺度定制、模型是否支持增量学习、低置信样本的复核流程怎么设计,这三点比参数表上的准确率数字更能决定落地效果。