什么是视觉质检？产线上的眼睛，看完就会判断

流水线末端，质检员盯着传送带上的瓶盖一个个看过去，八小时下来眼睛又酸又花，漏掉一两个划痕几乎不可避免。视觉质检要接手的正是这道工序：相机替代眼睛，算法替代判断，每件产品过镜，外观缺陷当场现形。它是工业 AI 里落地最普遍的一类，道理也不复杂。

流水线旁的那双眼睛

一套视觉质检系统由三部分构成：成像、判别、执行。成像部分包括光源、相机与触发装置，光源的选型比相机更讲究——划痕要用低角度光打出来，反光件要用漫射光罩住，打光不对，再好的算法也看不出缺陷。判别部分是算法模型，负责对每张图给出「合格」或「某种缺陷」的结论。执行部分是剔除机构或标记喷码，把判别结果落到动作上。很多工厂改造失败都卡在成像环节，先把光打对，项目就成功了一半。

看图判断这件事机器怎么学会

常见的两条学习路线。第一条是缺陷样本路线：把历史缺陷图喂给模型，标注出划痕、黑点、缺角等类别，模型学会逐类识别，样本充足时判别又快又准。第二条是正常基准路线：只用合格品图片训练，模型记住「正常长什么样」，凡是偏离基准的可疑区域都标出来，适合缺陷种类多、样本少的产线。两条路线经常组合使用。新出的多模态模型也加入了进来，通义千问、智谱清言这类能看图对话的模型，可以先用自然语言描述缺陷让模型初判，再由专用模型精判，省去一部分重新训练的工作。带走一个判断：缺陷图攒得越全，系统越听话，质检数据要当资产存。

漏检与误杀的取舍

算法给出的是置信度，阈值定在哪，决定了两种错误的此消彼长。阈值放宽，缺陷溜过去的概率升高，叫漏检，代价是客诉与召回；阈值收紧，良品被冤枉的概率升高，叫误杀，代价是良品率虚低与物料浪费。两种错误没有谁天然更坏，取舍取决于产品属性：食品与汽车件宁可误杀不可漏检，低端五金件则可以容忍少量漏检换取 throughput。成熟的系统会做双阈值设计——高置信度自动判，中间地带转人工复判，用AI 巡检里同样的分级思路把人工盯在刀刃上。复判结果记得回填训练集，模型会越用越贴合自家产线。

和设备状态连起来看更有用

缺陷突然增多，原因常在设备端：刀磨钝了、模具松了、传送带偏了。把质检缺陷率的时间线与设备参数对齐，往往能提前锁定故障苗头，这与预测性维护的数据正好互补。再往上一层，把质检、设备、工艺数据映射进虚拟镜像做整体推演，就是数字孪生的玩法。先用好质检数据本身，再谈联动，节奏别乱。

视觉质检选型对照表

• 缺陷种类少且固定：缺陷样本路线，专用小模型，速度快。
• 缺陷种类多且多变：正常基准路线加多模态初判。
• 镜面反光件：先解决光源方案，再谈模型。

外观检查是质检的入门场景，参数类指标的自动判定逻辑与之同源。看完这篇，再看产线上那排相机，你就能说出每一颗镜头后面站着的是什么算法、卡的是哪一档阈值。

聊聊视觉质检的常见疑问

• 没有缺陷样本能上项目吗？：能，走正常基准路线，先用合格品训练，缺陷出现后再逐步积累分类能力。
• 换新产品要重训吗？：通常要，但基于基准路线的系统只需重新采集合格品图像，切换成本比想象低。
• 能检出内部缺陷吗？：外观相机做不到，内部缺陷要上超声或X光成像，属于另一套方案。

本文只介绍技术概念，具体选型与实施请结合产线条件与供应商方案评估。