AI Inspection / 智能质检
质检系统怎么做才不沦为拍照打卡：规则、抽样与 AI 视觉
质检系统最容易做成“拍照打卡”：有照片、有记录，但没有统一的判定标准，也没有从缺陷到改进的闭环。AI 视觉能提升效率，但它只是判定手段之一，不是系统本身。
制造现场的质检，通常有三个朴素的诉求：别漏检、别误检、出了问题能查到。听起来简单，真正做系统时会发现，难点不在算法，而在标准、流程和数据。
一、先定义“合格”，再谈模型
“表面无划痕”不是可执行的标准。多长算划痕？什么角度看得见？边缘发白算不算？不同班组、不同客户、不同批次，理解可能完全不同。标准不统一，人工和模型都无法稳定判定。
上线前至少要形成三份可执行的文件：
- 质量标准：缺陷类型、判定边界、可接受范围，尽量量化，并配边界样本图。
- 抽样标准：抽多少、怎么抽、什么情况下转全检。
- 异常处置：发现缺陷后隔离、标识、上报、复检和放行的规则。
如果人对着同一件产品会给出不同结论，就不要指望模型能给出稳定答案。模型放大的不是智能，而是标准里的模糊。
二、规则和模型不是二选一
尺寸、数量、位置、工艺参数这类确定性指标，规则引擎更合适：快、可解释、结果稳定。外观、装配、表面缺陷这类非结构化判断，视觉模型更合适。两者都不确定的边界样本，交给人工复核。
| 判定层 | 适合场景 | 关键设计 |
|---|---|---|
| 规则引擎 | 尺寸、数量、位置、参数 | 规则版本化，结果可解释 |
| 视觉模型 | 外观、装配、表面缺陷 | 置信度分级，阈值可调 |
| 人工复核 | 边界样本、争议判定 | 双人复核，记录理由 |
一个实用的做法是按置信度分段：高置信度自动放行或拦截，中置信度进入人工复核，低置信度直接转人工。这样既不追求“全自动”，也不会让模型在没把握时硬判。
三、抽样策略决定成本
全检最安全，但成本最高；抽检成本低，但存在漏检风险。真正合理的策略是动态的：按供应商、批次、历史不良率和客户等级调整抽样比例。高风险批次全检，稳定批次降低频次。
- 抽样规则必须配置化，不能写死在代码里。
- 每次抽样要记录理由和规则版本，便于事后解释。
- 抽样结果要能反向影响规则，而不是抽完就结束。
四、产线节拍是硬约束
产线不会为了推理等待。单件判定必须在节拍内完成，否则再准的模型也没有意义。常见做法是边缘推理负责快速判定，云端负责训练、版本管理和跨产线分析；复杂分析异步执行，不阻塞放行。
还要考虑背压：当推理服务变慢时，系统是排队、降级还是转人工？这个策略必须提前定义，不能等产线堵了再临时改。
五、缺陷闭环比准确率更重要
发现缺陷只是开始。真正决定质量的是闭环：隔离、标识、原因分析、纠正措施、效果验证、关闭。每一个缺陷都应该有责任人和时限，并能关联到批次、设备、班次和供应商。
如果质检系统只输出“合格/不合格”，它只是一个筛选器；只有把缺陷工单和 MES/QMS 连起来，它才是一个质量系统。
六、数据回流与模型迭代
人工复核的数据是最有价值的训练集。每次复核都要保留原图、模型结论、人工结论和理由，按缺陷类型归档。模型迭代时使用版本化数据集，先影子模式对比，再小流量上线。
还要监控数据漂移：光照、镜头、物料、工艺变化都会让模型效果下降。与其等准确率掉了再排查，不如把输入分布和置信度分布纳入日常监控。
七、追溯与审计
一条完整的判定记录至少包含：原图、规则版本、模型版本、置信度、判定结果、复核人、时间和设备。记录要防篡改，保留期限要符合质量体系要求。出了问题，能还原“当时为什么这么判”。
八、落地顺序
- 先把质量标准和记录格式定下来，能手工跑通一条完整链路。
- 上线规则引擎，覆盖确定性指标和高频缺陷。
- 选择一个缺陷类型做视觉试点，跑通边缘推理和人工复核。
- 打通缺陷工单，形成隔离、整改、验证的闭环。
- 建立数据回流和模型版本管理，再逐步扩大范围。
小结
质检系统的第一优先级是“判得准且说得清”，第二才是“全自动”。规则、模型和人工各有边界，把三者组合好，再把缺陷闭环和数据回流做起来，系统才会越用越准，而不是越用越像拍照打卡。