2、基础知识：质检与剔除的基本术语、常见应用场景（如生产线、包装、电子元件）及与传统质检的对比
在深入AI质检与剔除流程之前，必须先建立一套统一的语言体系。质检（Quality Inspection）与剔除（Rejection/Diverting）并非新概念，但AI技术的引入重新定义了其边界、效率和决策逻辑。本章将系统梳理核心术语，剖析典型应用场景，并通过与传统质检的深度对比，揭示AI质检在工业4.0语境下的本质变革。理解这些基础，是后续掌握识别、确认、延迟补偿和动作执行四大环节的基石。
上图展示了传统质检、AI质检与剔除执行之间的核心差异与数据流向。传统质检依赖人工与规则，AI质检则通过模型驱动实现实时全检，而剔除执行环节是连接“检测”与“处置”的物理桥梁，其延迟补偿与动作确认是保证系统可靠性的关键。
2.1 核心术语定义与体系
在AI质检与剔除系统中，术语的精确性直接影响跨部门沟通与系统设计。以下术语是构建整个知识体系的基石，需要从“检测对象”、“判定逻辑”、“执行动作”和“系统性能”四个维度来理解。
| 术语 | 英文缩写 | 定义 | 在AI系统中的角色 |
|---|---|---|---|
| 缺陷检测 | Defect Detection | 识别产品表面或内部不符合规格的物理特征，如划痕、脏污、缺件、虚焊等。 | AI模型的核心输出，通常以边界框（Bounding Box）或分割掩码（Segmentation Mask）形式呈现。 |
| 分类 | Classification | 将检测对象归入预设类别（如良品/不良品、缺陷类型A/B/C）。 | 用于判定缺陷的严重等级，决定是否触发剔除以及剔除的优先级。 |
| 定位 | Localization | 确定缺陷在图像或三维空间中的精确坐标位置。 | 为后续的机械臂抓取或气动吹除提供空间基准，是剔除动作精准执行的前提。 |
| 误判率（误检） | FPR (False Positive Rate) | 将良品误判为不良品的比例。 | 过高的误判率会导致合格产品被剔除，造成生产浪费，是AI模型调优的关键指标。 |
| 漏检率（漏判） | FNR (False Negative Rate) | 将不良品误判为良品的比例。 | 漏检是质检系统的致命缺陷，直接导致不良品流向市场，需通过阈值调整和模型迭代严格控制。 |
| 剔除延迟 | Rejection Delay | 从检测到缺陷信号到执行机构（如电磁阀、气缸）完成动作之间的时间差。 | 由图像处理时间、PLC扫描周期、气动元件响应时间构成，是延迟补偿的核心对象。 |
| 追踪（Tracking） | Tracking | 在连续生产线上，通过编码器或视觉追踪，确定被检测物体在物理传送带上的实时位置。 | 用于解决“检测点”与“剔除点”不在同一物理位置的问题。 |
理解这些术语的关联性至关重要。例如，缺陷检测是手段，分类是决策依据，而定位与追踪则是实现精准剔除的物理基础。误判率与漏检率是一对矛盾体，调整判定阈值时此消彼长，需要根据产品风险等级寻找平衡点。
2.2 常见应用场景深度解析
AI质检并非万能药，其应用场景具有明显的行业属性。以下三个场景最具代表性，分别对应了不同的技术侧重点。
场景一：高速生产线（以食品饮料灌装为例）
在每小时产能达48,000瓶的饮料生产线上，传统人工目检根本无法应对如此高速的节拍。AI质检系统在此场景下主要解决液位检测、瓶盖缺失、标签歪斜、异物混入等问题。技术侧重点在于高帧率相机与频闪光源的配合，以及极低延迟的图像处理算法。剔除执行通常采用高速气动电磁阀，在检测到不良品后，通过编码器追踪瓶身位置，在到达剔除工位时瞬间喷出高压气体，将不良品吹离主传送带。
场景二：包装行业（以药品泡罩包装为例）
药品泡罩包装对安全性要求极高，缺陷包括缺粒、铝箔破损、印刷字符错误、胶囊颜色异常。此场景的难点在于高精度检测与零漏检的平衡。AI系统通常采用高分辨率彩色相机，结合深度学习分割模型，对每个泡罩进行独立分析。剔除动作往往采用“剔除确认”机制：即剔除动作发生后，下游的光电传感器必须确认该不良品确实被移除，否则系统会报警停机，防止不良品流入下一工序。
场景三：电子元件制造（以PCB板焊点检测为例）
PCB板上的焊点缺陷（如桥连、虚焊、少锡）是电子制造中最常见的质量问题。AI质检在此场景中面临反光、阴影、元件遮挡等复杂光学挑战。通常采用多角度打光（环形光、同轴光、低角度光）结合多相机拍摄，利用2D与3D视觉融合技术。剔除执行不再是简单的吹除，而是通过机械臂将不良PCB板抓取至维修缓冲区，或者通过轨道分拣机构将其分流至返修线。这里的“剔除”动作更复杂，需要与MES（制造执行系统）交互，记录不良品的位置与缺陷类型，以便后续维修。
2.3 与传统质检的对比：从“人治”到“数治”
传统质检与AI质检的本质区别，并非简单的“人工”与“机器”的替换，而是整个质量管控逻辑的变革。以下从五个维度进行对比：
| 对比维度 | 传统质检（人工/规则） | AI质检（深度学习/机器视觉） | 变革核心 |
|---|---|---|---|
| 检测模式 | 抽样检测（如每批次抽5%），存在漏检风险 | 全检（100%在线检测），无遗漏 | 从概率控制到确定性控制 |
| 判定标准 | 依赖检验员经验，标准模糊，易疲劳 | 模型权重统一，标准量化，可复制 | 从主观经验到客观算法 |
| 响应速度 | 人工发现缺陷后，需停机处理，滞后性强 | 毫秒级响应，实时剔除，不停机 | 从事后补救到实时干预 |
| 数据利用 | 纸质记录，难以统计分析，无法追溯 | 图像/数据全量存储，可追溯、可挖掘 | 从数据孤岛到数据资产 |
| 系统柔性 | 换型需重新培训人员，适应周期长 | 模型可快速迭代，适应新产品只需重新训练 | 从刚性流程到柔性制造 |
值得注意的是，AI质检并非完全取代人工。在缺陷样本极度稀少、或需要复杂主观判断的场景下，人工复判仍是必要的补充。成熟的系统通常采用“AI初检 + 人工复判”的混合模式，AI负责筛选出可疑品，人工仅需对少量可疑品进行最终确认，从而大幅降低人工负荷。
2.4 案例拆解：某汽车零部件厂商的活塞环外观检测
为了更直观地理解上述概念，我们拆解一个真实的部署案例。
背景与约束：某活塞环生产商，产线节拍为每3秒1件，要求检测活塞环外圆表面的划痕、磕碰伤及锈蚀。传统人工目检存在两大痛点：一是检验员在强光下连续工作易疲劳，漏检率高达3%；二是不同检验员对“轻微划痕”的判定标准不一，导致客户投诉。
初始现象与目标：客户投诉率居高不下，且内部质量数据无法有效分析缺陷根因。项目目标为：将漏检率降至0.5%以下，误判率控制在1%以内，并实现缺陷数据的自动分类统计。
关键输入与参数：
- 相机：500万像素面阵相机，帧率30fps，配合低角度环形光源突出表面划痕。
- 算法：采用ResNet-50作为骨干网络的分类模型，训练样本为12,000张标注图像（含8类缺陷）。
- 剔除执行：采用PLC控制的气动推杆，推杆动作延迟为25ms，传送带速度为0.5m/s。
- 延迟补偿：通过编码器实时采集传送带位置，当检测到缺陷时，计算缺陷到达剔除点的距离，并动态调整推杆触发时间。
分析判断过程：初期模型误判率高达5%，经分析发现是环形光源在活塞环端面产生反光，被模型误识别为划痕。解决方案是在光源前加装偏振片，并在训练集中增加带反光的负样本。同时，针对“轻微划痕”与“正常纹理”难以区分的问题，引入了注意力机制（Attention Module），让模型更关注划痕的线性特征。
实际操作步骤：
- 在传送带入口安装光电传感器，触发相机拍照。
- 图像经GPU服务器推理，输出缺陷类别与置信度。
- 若置信度>0.9，则判定为不良品，将缺陷坐标与时间戳发送至PLC。
- PLC根据编码器位置，计算推杆启动延时，执行剔除。
- 剔除后，下游对射传感器检测推杆是否成功将活塞环吹入收集箱，若未检测到，则系统报警。
结果对比与复盘：部署后，漏检率降至0.3%，误判率为0.8%，达到了预期目标。更重要的是，系统自动生成的缺陷分布直方图显示，“磕碰伤”占比高达60%，追溯发现是上游上料机构的料道磨损所致。这一发现直接推动了上料机构的改造，从根源上减少了缺陷的产生。此案例的教训是：AI质检的价值不仅在于“剔除”，更在于通过数据反馈优化上游工艺。
2.5 常见误区与总结复盘
在理解基础知识时，工程师常陷入以下误区，需要特别警惕：
- 误区一：AI质检就是“买相机+装软件”。实际上，光源设计、安装角度、产线振动隔离等物理环境因素对检测效果的影响，往往大于算法本身。一个不稳定的光学环境，再好的模型也无法发挥作用。
- 误区二：忽略“剔除确认”环节。很多项目只关注“检测”而忽视“剔除后是否成功”。如果气动阀卡滞或气压不足，不良品会直接流向下游。必须增加剔除确认传感器，形成闭环。
- 误区三：混淆“误判率”与“漏检率”的优先级。在大多数工业场景中，漏检的代价（客户投诉、召回）远高于误判的代价（浪费一个良品）。因此，在模型调优时，应优先降低漏检率。
- 误区四：认为AI可以完全替代人工。对于AI模型置信度较低的“模糊地带”样本，保留人工复判工位是必要的风险控制手段。