AI 视觉检测与机器视觉质检系统

现代小样本学习模型通常仅需数百张图像即可起步；系统会在实际生产中持续学习优化。

工业相机和光源会根据具体应用场景专门选配，我们提供完整的工程化检测工站。

新产品变体可基于现有模型快速完成训练，非常适合多品种生产场景。

服务器配置得当时，单次推理是毫秒级的，通常不是瓶颈；但如果多路相机共用一块 GPU，每个工位的延迟就要单独核算。真正决定答案的是整个闭环的其余环节：触发那一刻零件必须停稳、光照条件必须一致，剔除信号必须在零件到达剔除口之前发出。如果节拍时间根本留不出这段余量，要改的是机械结构，换一个更快的模型也没用。

可以，产线改造是常规做法，但工作量主要在机械和电气上，而不在软件。你需要一路来自 PLC 或传感器的触发信号、一套能执行剔除动作的执行机构，以及回到推理服务器的线缆布放。模型训练通常是整个项目里最短的一段；让零件每个循环都以同样的姿态呈现在相机面前，才是决定工期的部分。

相机看不见的，它都检不出来。内部裂纹、皮下气孔、焊缝熔深、扭矩和材料性能属于另一种检测手段的范畴，换更好的模型没有用。此外，缺陷没有稳定的视觉特征、合格与否靠人的主观感觉而说不出明确边界、零件呈现角度不可控，这三类场景视觉也很吃力。在定工位方案之前，先想清楚你真正要抓的是哪几种失效模式。

系统跑起来以后，需要有人对系统标记为不确定的分类结果做确认或修正，这些反馈正是模型保持有效的来源。这是一份持续的工作量，但用不着一个全职岗位。大部分投入其实发生在前期的头几周：采集合格品以及你关心的每一种缺陷类别的代表性图像。不要在不给工时的前提下，让某个人在满负荷班次之外顺带干这件事。

判错分两个方向，而这两者要靠判定阈值来权衡取舍。阈值收紧，合格品被误判报废或返检；阈值放松，缺陷就会流出去。两边都必须看得见，所以每一次判定都连同图像一起存档，剔除结果还应按固定周期与人工判断做比对复核。一个误判从来没人复核的工位，操作工迟早会学会直接绕过它。

推理在本地部署的 GPU 视觉服务器上运行，实时判定闭环不出厂区，这也正是在线剔除能把延迟压下来的原因。用于再训练的存档图像和操作员修正记录是另一回事：如果由 MSF 用你的数据来调优模型，就要在合同里约定这些图像是否只留在现场。平台的其余部分可以按 SaaS、私有云或本地部署三种方式交付。

零件会被剔除下线，之后由对该决定负责的人做处置：报废、返工或让步接收。判定结果本身进入 MSF 质量模块，落到 SPC 控制图上，并可自动生成不合格报告（NCR）。不会自动发生的是某个缺陷类别开始出现趋势时的升级处理，所以在装相机之前，就把处置流程和升级路径定下来。