智能制造机器视觉缺陷检测智能制造
工业视觉质检
用 AI 视觉模型做产品表面缺陷、装配错漏、尺寸偏差的自动检测，替代人工目检，漏检率与成本双降。
难度进阶
步骤4 步
工具4 个
资料3 份
PAIN POINT
痛点背景
产线质检靠人眼，长时间易疲劳漏检，标准不一；夜班与高节拍产线人工覆盖不了，不良品流出到客户端损失大。
PROCESS
落地流程
图像采集→标注训练→模型检测→缺陷分级→闭环改进
STEPS
详细步骤
1
1. 图像采集与打光
设计成像方案（相机/镜头/光源），保证缺陷清晰可辨。
- 打光比模型更关键，先解决成像
- 多角度/多光谱应对不同缺陷
- 采集覆盖良品与各类缺陷样本
2
2. 数据标注与训练
标注缺陷区域，训练检测/分割模型，评估精度。
- 小样本可用预训练 + 微调
- 缺陷类别不平衡，重点优化召回
- 难例（边缘缺陷）单独加权
3
3. 在线检测与分级
产线实时推理，输出缺陷位置、类型与严重等级。
- 检测延迟要匹配产线节拍
- 严重缺陷自动停线/剔除
- 置信度低的交人工复检
4
4. 闭环与持续改进
漏检/误检样本回流标注，模型迭代；质检数据反哺工艺改进。
- 建立漏检样本回收机制
- 按周/月复盘指标
- 质检结果联动 MES 追溯
TOOLS
工具清单
| 工具 | 类型 | 说明 |
|---|---|---|
| YOLO / SAM 等视觉模型 | 开源免费 | 缺陷检测与分割 |
| Label Studio | 开源免费 | 缺陷标注平台 |
| PyTorch / MMDetection | 开源免费 | 训练框架 |
| 工业相机 + 边缘推理盒子 | 付费 | 产线部署硬件 |
RESOURCES
配套资料
视觉质检成像方案清单PDF 清单
不同缺陷的打光与相机选型
缺陷标注规范模板Excel 模板
缺陷类别与等级标注标准
模型评估指标卡Excel 工具
召回/精确/mAP 跟踪表
PITFALLS
避坑指南
- ⚠先搞定成像打光，再谈模型——很多项目败在图像质量
- ⚠缺陷样本极少且不平衡，别指望纯监督一次训好，要建回流机制
- ⚠产线对环境敏感，模型要留「人机协同」兜底，避免误杀良品
想在自己企业落地？
案例是通用方案，你的企业有自己的数据、系统和约束。预约 1v1 咨询，帮你量身定制落地路径。
延伸学习
LLM 应用开发训练营
6 周 · ¥3,200