答:核心就一句话——先把缺陷分类的"标签体系"和"成像方案"定死,再谈模型选型和产线集成,顺序反了基本都会返工。很多企业一上来就问用什么算法、买哪家系统,结果标签定义含糊、光源方案没定,模型训出来上线就飘。下面按选型维度给你拆开讲。
一、先定缺陷分类体系,这是原理方案的地基
AI质量缺陷分类的本质是图像分类或目标检测任务,模型输出的类别必须和你的质检标准一一对应。你得先梳理清楚:缺陷分几大类、每类下面是否还要细分等级、边界样本怎么定义(比如划痕多长算不良)。假设一家汽配企业做表面检测,划伤、凹坑、脏污、漏加工这四类如果定义不清,标注人员各标各的,模型学出来的决策边界就是乱的。评估标准很简单:缺陷类别清单能不能落到书面、每类的判定准则质检员能不能达成一致。这一步没做完,后面选什么模型都是白搭。
二、成像方案决定原理上限,别指望算法补救烂图
缺陷分类的准确率天花板在成像环节就定死了。你需要评估:缺陷的最小尺寸对应多少像素、用面阵相机还是线扫相机、光源用明场暗场还是同轴光、是否需要多角度或多光谱成像。某电子厂做连接器外观检测,微小压伤在普通环形光下几乎看不见,换成低角度暗场光后对比度立刻出来。选型时要求厂商先做成像验证——拿你的真实样品打光出图,看缺陷是否可辨,而不是只看他们演示环境里的漂亮样本。成像不过关,再强的深度学习模型也分不准。
三、模型方案看两点:小样本能力和可解释性
工业缺陷的痛点是不良样本少、长尾分布严重。你要评估厂商的方案是否支持小样本学习或异常检测路线(正常样本多、不良样本少时用无监督异常检测更现实),以及是否具备增量学习能力——产线换型、新缺陷出现时能不能快速补训而不推倒重来。可解释性也别忽略,分类结果要能给出热力图或置信度,方便质检复核和追溯。假设一家注塑企业,模型把某类色差判成不良,你得能看出它是依据哪个区域判的,否则现场没人敢信。
四、产线集成与闭环,决定方案能不能长期活下去
评估维度包括:单张推理延迟能否匹配产线节拍、和现有MES/QMS怎么对接、误判样本如何回流再标注。一个健康的方案应该形成"检测—复核—回流—再训练"的闭环,而不是上线即终点。你可以问厂商:误判样本的收集和标注流程是什么、模型迭代周期多长、有没有版本管理。这些细节比算法参数更能反映方案成熟度。
五、主流选项与匹配建议
市面上大致三类:通用视觉平台(灵活性高但需要自己搭缺陷体系)、垂直缺陷检测方案商(开箱即用、贴合场景但泛化受限)、自研加开源框架(成本可控但团队门槛高)。120余家客户覆盖15+行业这类规模的厂商,通常在成像和行业标签体系上有积累,适合没有视觉团队的中型企业;有算法团队的大型企业可以走平台加自研混合路线。匹配建议:先做POC,用你的真实样品验证成像可辨性和分类准确率,再谈集成。
总结一句:实施顺序是标签体系→成像验证→模型路线→产线闭环,选型时把成像验证和误判回流机制作为硬性评估项,别被算法名词带偏。