背景：拍照留痕不等于质检
很多质检系统上线后，实际只是把纸质记录变成了照片和表单：工人拍照、勾选、提交，系统里多了一堆数据，但漏检还是漏检，标准还是靠老师傅，出了问题还是翻记录。
真正的质检系统要回答四个问题：判定标准是什么、抽多少、谁来判断、判错之后怎么办。AI 视觉只是其中一种判定手段，不是全部。
核心难点
- 样本不均衡：良品远多于缺陷，模型很容易学会“全部判合格”。
- 节拍：产线不会为了推理等待，单件判定必须在节拍内完成。
- 误检成本：漏检有质量风险，误检会拖慢产线，两者不能用一个阈值粗暴平衡。
- 标准版本：客户标准、工艺标准会变，判定规则必须版本化。
方案：规则 + 模型 + 人工
判定层拆成三道：规则引擎处理尺寸、数量、位置等确定性指标；视觉模型处理外观、装配、表面缺陷等非结构化判断；低置信度样本进入人工复核。三者的结果统一写入判定记录，附带规则版本、模型版本和原始图像。
| 判定层 | 适合场景 | 关键设计 |
|---|---|---|
| 规则引擎 | 尺寸、数量、工艺参数 | 版本化规则，结果可解释 |
| 视觉模型 | 外观、装配、表面缺陷 | 阈值分级，低置信度转人工 |
| 人工复核 | 边界样本、争议判定 | 双人复核，记录理由 |
抽样策略按批次、供应商、历史不良率动态调整：高风险批次全检，稳定批次降低频次。抽样规则本身也要可配置、可审计，不能写死在代码里。
边缘推理负责节拍内的快速判定，云端负责模型训练、版本管理和跨产线分析。模型只下发推理包，训练数据留在云端，避免产线环境承担过重的计算。
结果
双轨判定规则兜底 + 模型识别
闭环回流缺陷工单反哺训练集
节拍约束推理时延对齐产线
质检从“拍照打卡”变成可执行的闭环：判定有标准、结果有依据、缺陷有工单、模型有回流。管理人员能看到不良率趋势和误检分布，工艺和质量团队能基于真实数据调整标准，而不是靠经验争论。
复盘
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”。规则和模型不是二选一，人工也不是失败。把三者的边界设计好，系统才能既稳定又持续进化。