4000900632 309181818@qq.com 周一至周六 08:30-18:00
知识中心
词条目录

问:AI质量缺陷分类系统原理有哪些常见误区?

答:最常见的误区是把AI缺陷分类当成一个单纯的图像识别模型,以为算法够强就能分得准;实际上决定分类效果的是成像条件、缺陷定义标准和样本标注体系这三项工程基础,算法只是最后一环。

一、以为上AI就是换个算法,忽略成像稳定性。缺陷分类的输入是图像,光源角度、曝光、工位振动、镜头清洁度稍有变化,同一缺陷的像素分布就变了。很多产线白天和夜班的光照差异就足以让模型误判。原理上模型学的是像素到类别的映射,输入漂移它不会自己纠正。所以选型时要先问成像方案是否锁定,而不是先问模型用ResNet还是ViT。

二、以为缺陷类别越细越好。分类粒度受限于标注一致性和类间可分性。假设一家汽配企业把划伤分成十几种子类,但标注员自己都判不一致,模型学到的是噪声。常见做法是先按处置方式分大类,比如可返修、可让步接收、必须报废,再在可返修内部做二级分类。类别体系和质检工单、MRB流程对齐,比追求细粒度更有价值。

三、以为训练一次就能长期用。缺陷分布会随来料批次、模具磨损、工艺调整漂移。原理上分类模型输出的是概率,置信度下降往往早于准确率崩盘。合理做法是建立置信度监控和难例回流机制,把低置信样本定期送人工复核再增量训练。没有这个闭环,系统上线三个月后的表现通常和验收时不是一回事。

四、以为AI能处理定义不清的缺陷。缺陷分类的前提是缺陷有可判定的边界。像外观轻微色差这类依赖客户主观接受度的项,先要和客户签限度样本,再谈模型。定义不清就上模型,结果是人机争议不断。

相关追问一:小样本缺陷怎么处理?原理上可用数据增强、迁移学习或异常检测路线,先做正常样本建模,把偏离正常分布的判为疑似,再人工确认。适合缺陷样本极少、类别不固定的场景。

相关追问二:分类和检测是什么关系?检测解决有没有和在哪里,分类解决是什么类别。多数产线先检测定位再分类,两个模型串联,评估时要看端到端指标而不是单模型指标。

相关追问三:边缘部署还是集中部署?节拍快、图像量大的工位适合边缘推理,模型更新频率高的适合集中训练加边缘下发。判断依据是单工位图像吞吐和模型迭代周期,不是单纯看硬件价格。

适合与不适合的边界:产品外观缺陷有相对稳定的成像条件、缺陷类别可被质检人员一致判定、且愿意维护样本回流机制的场景,适合上AI分类。缺陷定义依赖客户主观限度、成像条件无法锁定、或没有人力做持续标注复核的场景,先做规则视觉或人工抽检更稳妥。下一步该关注的是自家产线的成像一致性和缺陷判定标准的书面化程度,这两项决定了系统能不能落地。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的厂商,在产线数据打通和现场实施经验上通常更有积累,选型时可作为评估维度之一。

所属分类: AI-FAQ