质量检测是制造业中人力最密集、最容易疲劳、最难以标准化的环节。一个质检员每天看几千个产品，到下午眼睛就花了；新人上岗需要几个月培训，还不一定看得准；不同的人、不同时段，判断标准都不一样。

AI质检要解决的就是这个问题——用机器视觉代替人眼，用算法判断代替经验判断。不是要替代人，是把人从重复、枯燥、易疲劳的检测工作中解放出来，去做更有价值的分析和改善。

一、AI质检的适用场景

不是所有检测都适合上AI。判断标准有三条。

缺陷类型相对固定。表面划痕、脏污、缺料、毛刺、尺寸偏差——这些缺陷特征明确，有规律可循。如果是随机、多变的异常，AI很难学习。

节拍快、人眼易疲劳。每小时检测几千个产品，人眼跟不上、容易漏。AI不会疲劳，最适合这种场景。

检测标准客观。尺寸合格/不合格、有无缺陷——答案是明确的。如果标准主观，比如“美观度”，AI很难判断。

最适合的场景是：外观缺陷检测（划痕、脏污、缺料、毛刺、变形）、装配完整性检查（螺丝漏装、卡扣未到位、标签贴歪）、尺寸测量（长度、直径、角度、位置度）、字符识别（生产日期、批号、二维码）。

二、AI质检系统的构成

一套完整的AI质检系统，硬件、软件、机构缺一不可。

成像系统是质检的“眼睛”，包括工业相机、镜头、光源。相机决定分辨率，分辨率决定了能看清多小的缺陷；光源往往是最关键的环节——打光方式、颜色、角度，直接影响缺陷能不能“显出来”。很多项目失败不是算法不行，是光源没打好，缺陷根本拍不出来。

算法与模型是质检的“大脑”。传统视觉算法用于尺寸测量、有无检测，计算快、可解释性强。深度学习用于表面缺陷检测，适应性强，但需要大量样本、计算资源大。实际项目中经常是两者结合——传统算法处理简单任务，深度学习处理复杂缺陷。

执行机构是质检的“手脚”。检测到缺陷后需要剔除、报警、记录。剔除机构的速度和准确性直接影响产线节拍，慢了会堵料，快了可能误剔。

三、模型训练与优化

AI质检的灵魂是模型。模型不准，一切都是空谈。

样本采集是关键。正常样本容易获得，缺陷样本往往稀缺。需要收集缺陷样本、标注缺陷位置和类型。样本量一般需要几千甚至几万张。样本分布要覆盖各种缺陷类型、大小、位置、光照条件。模型泛化能力依赖样本多样性——样本不覆盖，现场必然出问题。

模型训练不是一次性的。新品上线需要新样本训练新模型，工艺变更后旧模型可能失效，光源老化、相机偏移后模型需要微调。需要建立模型持续优化机制：定期收集现场误报和漏报样本，定期重训练，做好版本管理。

过拟合与欠拟合。过拟合是模型记住了训练样本，没见过的新样本识别不好，容易发生在新品调试时、测试集与生产环境差异大时。欠拟合是模型没学到缺陷特征，训练不充分或样本太少。解决过拟合需要增加样本多样性、做数据增强；解决欠拟合需要增加训练样本量、调高模型复杂度。