答:AI质量缺陷分类系统能不能跑起来,第一决定因素不是算法,而是有没有一批"标注清楚、覆盖到位、与产线成像条件一致"的缺陷图像数据。缺了这批数据,模型再先进也只能停在演示阶段。
一、图像数据要"三对齐",不是有图就行
缺陷分类模型的输入是工业图像,数据基础的第一层要求是与实际产线对齐:成像条件对齐(同一工位、同一光源角度、同一镜头焦距、同一曝光参数下采集),样本分布对齐(缺陷类别比例接近真实生产的不良分布,而不是人为凑成每类五百张),标注口径对齐(同一类缺陷在标注团队内部判定一致,比如划伤多长算划伤、多浅算脏污)。某电子厂在假设场景中就吃过亏:训练图用高亮环形光拍,上线工位换成低角度条形光,同一批划痕在模型眼里变了形态,误判率明显上升。这类问题不是模型能力问题,是数据采集方案没有和生产工位绑定。
二、标注数据要分层次,分类与定位各取所需
如果系统只做缺陷类别判定,图像级标签(这张图属于划伤/异物/缺料)即可支撑;如果还要输出缺陷位置和面积,就需要边界框或像素级分割标注,标注成本成倍增加。实操中常见做法是分层建设:先积累图像级标签把分类模型跑通,再对高频、高损失的缺陷类别补做定位标注。标注一致性通常要求Kappa系数或双人复核一致率达到可接受水平,否则标签噪声会直接压低模型上限。
三、负样本与边界样本决定实际可用性
只喂缺陷图,模型上线后会把正常纹理、油渍、反光误报成缺陷。数据基础里必须包含足量正常样本,以及"像缺陷但不是缺陷"的边界样本——这类样本往往比缺陷样本更稀缺,也更能决定误报率。假设一家汽配企业做铸件表面检测,气孔和缩松的视觉特征接近,如果数据里没有足够多易混淆样本,分类头很难学出区分边界。
四、数据规模看类内方差,不看总数
没有固定张数标准。类别内部形态差异大(如不同方向的划伤、不同材质的脏污),需要的样本就多;形态单一、成像稳定的缺陷,较少样本也能收敛。评估时更该关注每个缺陷类别的有效样本量、类间混淆程度和跨批次分布漂移,而不是笼统的图片总数。产线换料、换模、换光源后,数据分布会变,需要有持续回流新样本的机制,这也是系统能不能长期用下去的关键。
相关追问一:训练数据从哪来?主要三条路——产线历史不良品图像归档、上线初期集中采样、以及模型运行中的误判回流。历史数据往往标注缺失,需要补标;集中采样成本高但可控;回流数据最贴近真实分布,适合做增量迭代。
相关追问二:需要多少标注人力?取决于标注粒度。图像级分类标注门槛低,产线质检人员经培训即可参与;像素级分割标注需要专门工具和复核流程,人力投入明显更高。建议先做小批量试标,测算单张标注工时再推算总量。
相关追问三:数据要不要覆盖多产线、多机型?如果各产线成像条件一致,可共用一套数据;条件不一致时,按工位分别建数据集比强行合并更稳妥,否则模型学到的特征会互相干扰。
适合与不适合的边界:产品缺陷视觉特征明显、成像条件可固定、不良样本能持续积累的场景,适合上缺陷分类系统;缺陷定义本身模糊、依赖触感或内部结构判断、成像条件频繁变动且难以标准化的场景,先解决成像与判定标准问题,再谈模型。读者判断自身条件时,优先盘点的不是算法供应商,而是手里有没有一批标注口径统一、成像条件与产线一致的缺陷图像——这是整个系统的地基。