AI视觉检测正在重塑工业质检：从"人盯着看"到"机器看懂了"

质检这件事，为什么难

工厂质检的难点不在于"看到瑕疵"，而在于一致性。

一个有经验的工人能发现 0.1mm 的划痕，但连续工作 8 小时后，漏检率会悄悄上升。换班、疲劳、光线变化，都会影响判断。更麻烦的是，每个工人对"合格"的标准理解可能略有不同——这在批量生产里是个系统性风险。

传统机器视觉（规则驱动）解决了一部分问题，但只能处理固定场景：光源、角度、产品位置必须严格固定，稍有偏差就失效。对于复杂曲面、纹理不规则的产品，基本无能为力。

AI视觉做对了什么

深度学习驱动的视觉检测，核心优势是从样本里学规律，而不是靠人写规则。

给模型看几千张"好品"和"坏品"的图，它能自己归纳出什么是正常、什么是异常——包括那些人也说不清楚但"看上去就不对"的细微差别。

这带来几个实际变化：

• 适应性更强：产品换型、光线变化，重新训练一遍就能用，不用重写规则
• 可以处理非结构化瑕疵：划痕、气泡、异物、形变，统一框架处理
• 标准可沉淀：模型就是标准，不会因为人员流动而退化

真实落地是什么样的

PCB（电路板）检测是目前落地最成熟的场景之一。一块手机主板上有几千个焊点，人工检测一块需要几分钟，漏检率在 0.5% 左右；AI视觉系统每秒可以检测多块，漏检率能压到 0.01% 以下。

但并不是所有场景都这么顺。

纺织品检测就困难得多——布料的纹理本身就有随机性，什么叫"正常的纹理变化"、什么叫"真的有瑕疵"，边界很模糊。模型容易过拟合，把正常变化也判成瑕疵，误报率高。

食品检测又是另一个挑战：同一批苹果的颜色、形状天然就有差异，"不好看"和"有问题"不是一回事。这需要把产品分级逻辑引入，复杂度又上了一层。

现在的瓶颈在哪

不是技术，是数据和部署。

训练一个够用的检测模型，需要大量标注好的瑕疵样本——但很多工厂的不良品本来就少（这是好事），导致负样本数据严重不足。一些公司在用数据增强（把已有瑕疵图做各种变换来扩充）和合成数据来解决，但效果参差不齐。

部署端也有摩擦：老工厂的流水线改造成本高，相机安装位置、打光方案都需要现场调试。标准化程度越低的工厂，落地周期越长。

一个值得关注的趋势

"缺陷生成"开始被认真对待了——用生成式AI合成逼真的瑕疵图，专门用来扩充训练数据。这个方向如果成熟，会大大降低数据准备的门槛，让更多中小工厂用得起AI质检。