机器视觉概念验证

在贵方自己的产品上验证自动检测能力

从对贵方真实样品的可行性验证开始，因为有些视觉任务在您的产线速度下根本无法解决，而在第一周就知道这一点成本最低。随后是成像设计、标注数据、经过验证的模型和受控产线测试，按缺陷类别分别报告，漏检和误判分开统计。

检查我的视觉检测应用场景与制造工程师沟通

典型周期4–8 周

试点范围一个检测工位，一个产品族，一个有边界的缺陷集合

主要对接人质量经理

结束时的决策验收报告、硬件设计与扩展建议

这是您需要解决的问题吗？

视觉检测依赖一个人在长班次末尾的注意力。
同一类缺陷不断流到客户手中，却没人能说清频率。
检测是产线无法提速的原因。
此前一个视觉项目按准确率数字被验收，却在真正重要的缺陷上失败了。

主要对接人: 质量经理 · 生产经理 · 自动化经理 · 工程经理 · 工厂负责人

这个 PoC 要验证什么

在贵方产线速度、视野和缺陷尺寸下，这个视觉任务是否根本可解？

实际需要什么样的成像、光照和光学系统？

在模型从未见过的样本上，每个缺陷类别的精确率和召回率分别是多少？

误放行率（漏检缺陷）是多少，误拦截率又是多少，分别统计？

在贵方真实条件下——振动、灰尘、反光、零件位置和款式变化——它能否保持稳定？

建议的试点范围

一个检测工位和一个产品族，包括其真实的各种款式。
一个有边界、命名清晰的缺陷或验证类别集合——而非"任意缺陷"。
在成像设计步骤之后选定的相机、镜头和光源。
一套拦截或操作工确认流程，使判定结果能导向行动。
训练、验证和验收样本在全程严格分离。

PoC 期间将实际运行的内容

在工位上以真实节拍时间对真实零件进行的实时检测。

带每次判定背后置信度的分类别分类结果。

由结果触发的拦截或操作工确认动作。

测试期内每件被检测零件的图像与结果存档。

这个 PoC 如何推进

周 1

现场、流程与数据就绪度基于贵方样品和图像的可行性验证：缺陷可见度、对比度、相对视野的尺寸、节拍时间以及可接受的错误水平。此处得出否定结论也是有效且低成本的结果。通过标准: 在指定任何硬件之前发出可行性判定。

周 1–2

成像与光源设计成像与光照设计：相机、镜头、工作距离、照明几何和安装方式，在真实零件上测试，而非从产品目录中选定。通过标准: 图像先要能让人工审核员可靠地看清缺陷。

周 2–4

数据采集与标注跨款式、跨班次、跨缺陷类别收集并标注一组有代表性的图像，并如实审阅类别分布与标注质量。通过标准: 样本数量与类别分布已记录在案；验收数据集已保留。

周 3–5

模型训练与离线验证在分离好的数据上离线训练并验证，报告每类的精确率和召回率、混淆矩阵以及不确定分类比例。通过标准: 离线结果在保留数据集上达到约定阈值。

周 5–7

受控的实际运行在真实速度下进行受控产线测试，启用拦截或确认流程，在生产条件下跟踪时延、正常运行时间、误放行和误拦截。通过标准: 产线速度合规性和错误率已在实际生产中确认。

周 7–8

推广决策与商业测算验收报告：按类别列出指标、失败案例、限制清单、硬件物料清单、集成架构与扩展建议。通过标准: 继续、调整还是停止。

周期为典型值，并非承诺。会拉长进度的因素包括：数据缺失或不完整、安全与网络审批、硬件交期、样品收集、安装作业许可、生产排程、ERP 测试环境权限，以及贵方团队评估结果所需的时间。

不预期出现非计划停机。任何安装窗口或受控中断都会事先与贵方约定，并围绕生产计划安排。

如何衡量成功

如何衡量成功
指标	如何定义	数值来源	类型
每缺陷类别精确率	被标记为某类别的零件中，真正属于该类别的占比——按类别报告，绝不平均成一个数字。	预留的验证数据集	技术
每缺陷类别召回率	真正存在某类别缺陷的零件中被检测出的占比——按类别和产品款式分别报告。	预留的验证数据集	技术
误放行率	被当作合格放行的不合格零件。与误拦截分开统计和报告，因为二者的业务成本完全不同。	预留的验证数据集	技术
误拦截率	被拦截的合格零件。这个数字决定了操作工是否会让系统保持开启。	预留的验证数据集	运营
混淆矩阵与样本数量	完整的逐类别矩阵，附带每类的样本数量，让读者能判断结果的可信度。	预留的验证数据集	技术
处理时延与产线速度合规性	每件零件的检测时间相对于可用节拍时间，在产线上（而非工作站上）测得。	MSF 平台数据	技术
不确定分类比例	模型无法自信判定的零件占比，这正是操作工确认流程需要吸收的部分。	预留的验证数据集	运营
正常运行时间与操作工确认行为	产线测试期间的系统可用性，以及操作工实际处理确认和覆盖操作的方式。	MSF 平台数据	采纳度

在实施之前，MSF 与贵方团队会共同约定每项指标的计算方式、基线来源、需要排除的数据，以及哪种结果足以支撑推广决策。本页列出的是要测量的内容；具体目标值写在书面 PoC 范围里，而不是写在营销承诺里。

需要您提供的内容

有代表性的合格与不合格零件或图像，覆盖范围内的每一种款式和每一个缺陷类别。
缺陷定义、严重程度规则，以及可接受的误放行和误拦截水平。
工位处的节拍时间、产线速度、视野和环境条件。
PLC 或拦截接口细节以及任何追溯要求。

各方职责

Meta Smart Factory 提供

调研工作坊与范围界定的组织推进
按约定范围完成方案配置
该范围内的集成与接入工作
报价中列明的 MSF 硬件
试点用户培训
KPI 定义与验证方法
试点期间的问题跟踪与支持
最终结果报告与推广方案设计
可行性判定、成像设计，以及一个评估过程可复现的经过验证的模型版本。
失败案例——它判断错误的图像——而非只有判断正确的那些。

贵方提供

指定的业务负责人与技术负责人各一名
及时提供对用户、产线、设备与授权系统的访问
对工艺流程与主数据的如实说明
网络、电源、安装位置与安全作业许可
ERP、PLC 与供应商文档，以及熟悉这些内容的专家
有代表性的样品或历史数据
确认基线值是公平的
反馈意见与验收决定
每个类别足够真实的不合格样本；稀有缺陷最难获取，也最重要。
正常生产速度下进行受控测试所需的产线访问权限。

在书面报价中约定

工业平板电脑、平板设备、服务器与 GPU 服务器
相机、镜头、光源与防护外壳
扫描枪、打印机、RFID 设备、仪表与传感器
差旅、安装、运输、进口税费与本地电气施工
硬件采取租赁还是购买
PoC 费用是否可抵扣推广费用

商务条款、硬件归属、差旅、集成范围以及是否抵扣推广费用，均在书面 PoC 报价中约定。这些条件并非对每个产品都相同，本页也不作承诺。

您最终得到什么

带有依据说明的可行性判定。
在真实零件上验证过的成像与光照设计。
带可复现评估流程的经验证模型版本。
包含失败案例的按缺陷类别指标报告。
涵盖会使其性能下降的条件的风险与限制清单。
硬件物料清单、集成架构与推广建议。

前提条件、不含内容与边界

本 PoC 依赖以下条件

每类足够真实的不合格样本——这是导致视觉 PoC 延误的最常见原因。
工位处稳定的零件呈现方式，或为实现该效果而约定的夹具。

本 PoC 不包含

范围内未命名的缺陷类别，以及样本中未包含的产品款式。
机械搬运、夹具及拦截机构的搭建。

本 PoC 不作出的承诺

整体准确率绝不会被用作验收指标——在不平衡的缺陷集合上，它可能看起来很出色，却漏掉了每一个重要缺陷。结果按类别及样本数量报告，对未包含在已验证数据集中的缺陷类型、款式或条件，不作任何主张。

继续、调整还是停止——决策点

继续继续：按类别结果在产线速度下达到约定阈值——按交付设计推进工位推广。

调整调整：成像、样本覆盖或类别定义需要完善；失败案例会准确显示问题所在。

停止停止：该任务在此速度和缺陷尺寸下不能可靠地解决，且您在几周之后就知道，而不是在购买一个检测单元之后才知道。

常见问题

你们需要多少样品零件？

取决于该缺陷和产品的变化程度，可行性验证阶段会为贵方具体情况给出一个具体数字。通常来说，制约条件不是合格零件——那些随处可见——而是每个类别真实的不合格样本，尤其是那些正是本项目存在意义的稀有缺陷。

为什么不直接报告准确率？

因为在一条缺陷率为 2% 的产线上，一个把所有零件都判为合格的模型能得到 98% 的准确率，却什么也没检测到。按类别的精确率和召回率，加上分开统计的误放行和误拦截，才是唯一能描述贵方产线上实际会发生什么的数字。

如果可行性验证结果是否定的怎么办？

您会得到判定依据、成像证据，以及（如果存在的话）替代方案——不同的检测点、不同的光照几何，或用基于传感器的检查替代视觉检查。第一周就得到明确的否定结论，胜过在第九个月买下一个失败的检测单元。

以后出现新的缺陷类型它也能识别吗？

不会自动识别，这一点会写入限制清单，而不是被忽略。模型只能检测它训练和验证过的内容。新的缺陷类别需要新样本、重新训练和重新验证——这是一项正常、可规划的工作，但并非免费。

申请这个概念验证

请描述您设想的范围，我们会以书面 PoC 方案回复：接入哪些内容、贵方提供什么、成功如何衡量，以及最终的决策形态。