视觉质检和人眼质检有什么区别？

视觉质检和人眼质检的差别，先说结论：缺陷标准能写清楚、出现频次高、节拍紧的工序，交给机器；标准模糊、需要综合手感与经验的判定，留给人。AI 在这里替代的是重复的目视动作，不是全部的判断力。下面从一致性、可检项、节拍成本、换型成本四个维度对比。

先说结论：能写清标准的给机器

划伤、脏污、缺件、尺寸超差这类缺陷，有明确的判定边界，可以拍成样本、写成限度样件，机器就能学。而「手感偏硬」「色泽不够润」这类描述，人和人之间都难统一，机器更无从下手。

一个简单的自测方法：找三个质检员看同一批产品，如果他们对不合格品的判断一致性低于八成，说明标准本身还没定清楚，这时候上视觉系统只会把分歧固化进模型。

一致性和疲劳的差距

人眼在连续工作两小时后，漏检率会明显上升，尤其是微小缺陷。不同班次、不同照明、不同情绪，判定尺度都会漂。机器的尺度是固定的，只要模型不更新、光源不老化，今天和三个月后的判定基本一致。

但机器的一致性也有前提。光源衰减、镜头污染、工装松动都会让图像漂移，所以定期用标准件做校验是必须的。省掉这一步，机器会以极高的稳定性持续判错。

缺陷描述同样要统一，把「轻微划伤」「明显划伤」这类说法用豆包整理成带图示的模板，再用智谱清言核对前后描述是否一致，标注员之间的分歧会小很多，模型学到的边界也更清楚。

可检项不是重叠的

机器擅长的是二维外观：颜色差异、缺料、毛刺、字符是否印全、孔位是否偏。对内部缺陷、材料应力、装配后的异响，普通工业相机看不见，需要超声、X 光或声学检测，那是另一套设备。

人眼擅长的是整体感：一件产品拿在手里，能感觉出装配松紧、重心对不对。这种综合判断目前很难用单一传感器替代。所以产线设计时，通常把可量化的项给机器，把整体确认留给人。

节拍和成本怎么算

高速产线上，人眼根本跟不上节拍，一秒三件的速度只能靠相机加算法。低速、多品种的产线，视觉系统的调试时间可能比人工还长，投入回收周期会被拉得很长。

成本要算全生命周期：相机、光源、工控机、算法授权、调试人力、每年的维护。很多项目只算了硬件，没算调试，实际落地时发现调一个新品种要两周，换型频繁的产线根本吃不消。

还有一笔隐性成本是样本采集。视觉系统要靠缺陷样本训练，而产线上的不良品本来就少，攒够几百张同一类型的缺陷照片往往要几个月。这段时间里系统只能做辅助提示，不能替代人工，排产时要把这个过渡期算进去。

换型成本是关键分水岭

单一品种大批量，视觉系统的优势最大，一次调好可以用很久。多品种小批量，每换一次产品就要重新采样本、重新标定，调试成本会吃掉省下的人力。这种情况下，用可快速切换的配方管理能缓解，但很难彻底消除。

人的换型成本几乎为零，看一眼新样品就能上手。所以柔性产线上常见的是人机搭配：机器做全检，人做首件确认和换型后的前几件复核。

• 标准可写、频次高、节拍紧：上视觉
• 标准模糊、靠手感：留给人
• 一致性：机器稳定但要定期用标准件校验
• 可检项：机器看外观，内部缺陷要换传感器
• 换型：多品种小批量先算调试成本再决定

视觉质检快问快答三则

• 上了视觉系统还要留质检员吗？：要。首件确认、换型复核、误判复看都需要人，只是人数和岗位会变。
• 漏检率能降到零吗？：不能。要按缺陷后果设定可接受的漏检水平，再倒推阈值和复检策略。
• 老设备能加装吗？：多数可以，但要先解决安装空间、光源遮挡和产线节拍同步，改造量常常被低估。

检测数据要不要上云，可以对照自建知识库和用 SaaS 差在哪；判定逻辑用规则还是模型，见预测式风控和规则式风控差在哪；把重复操作交给软件的分寸，参考数字员工和自动化脚本有什么区别。