📚 课程目录第3章 AI质检基础

3、AI质检基础：机器视觉、深度学习在质检中的应用场景与典型输出

在智慧工厂的MES（制造执行系统）对接链路中，AI质检并非一个孤立的“黑盒”，而是作为质量数据的关键生产源头。理解AI质检的基础——机器视觉与深度学习的应用逻辑，是后续实现“质检结果自动上传”“工单状态联动”和“追溯记录绑定”的前提。本节将聚焦于AI质检的核心原理、典型应用场景、标准化的输出数据结构，以及工程落地时的常见误区，帮助您建立从“图像采集”到“MES可消费数据”的完整认知。

3.1 核心原理：从传统视觉到深度学习的演进逻辑

AI质检的本质是“用算法替代人眼”，但不同技术路线的适用边界差异巨大。传统机器视觉（Machine Vision）基于明确的几何特征和灰度统计，例如使用Canny边缘检测定位划痕、通过Blob分析计算焊点面积。这类方法在光照稳定、背景单一、缺陷类型固定的场景下表现优异，且推理速度极快（毫秒级），无需GPU即可运行。然而，当面对纹理复杂（如铸件表面）、缺陷形态多变（如布匹瑕疵）或需要语义理解（如装配错位）时，传统算法的鲁棒性会急剧下降。

深度学习（Deep Learning）则通过卷积神经网络（CNN）自动提取多层特征。以ResNet、YOLO、U-Net为代表的模型，能够从海量标注图像中学习到“缺陷的抽象表征”。例如，一个训练良好的YOLOv5模型，可以同时输出缺陷的类别（如“划伤”“脏污”“毛刺”）、位置（Bounding Box坐标）和置信度。在实际产线中，两种技术并非互斥，而是常以“传统视觉做粗筛，深度学习做精判”的级联方式协同工作，兼顾速度与准确率。

  关键认知：AI质检的“智能”程度取决于训练数据的质量与覆盖度。模型输出的不是“真理”，而是基于概率的预测。因此，在MES对接时，必须同时传输置信度分数和判定阈值，以便质量工程师追溯低置信度样本，持续迭代模型。

3.2 典型应用场景与判断方法

在智慧工厂中，AI质检的应用场景可归纳为四大类，每类场景对输出数据的要求各不相同。下表对比了不同场景的技术选型与输出字段差异：

场景类别	典型对象	推荐算法	核心输出字段	MES对接要点
表面缺陷检测	金属外壳、PCB板、薄膜	语义分割（U-Net）	缺陷类别、像素级掩码、面积占比	需上传缺陷坐标用于追溯定位
尺寸测量	精密零件、连接器引脚	传统视觉+亚像素算法	关键尺寸值、公差判定（Pass/Fail）	数据直接写入SPC系统
装配完整性	汽车线束、手机中框	目标检测（YOLO系列）	部件类别、数量、缺失标记	与工单BOM比对，触发停线
字符识别（OCR）	DIP标签、铭牌、日期码	CRNN+CTC	识别文本、置信度、字符坐标	用于追溯码绑定与防错

操作流程上，一个标准的AI质检工位通常包含五个步骤：① 触发采集（通过光电传感器或PLC信号触发相机拍照）；② 图像预处理（ROI裁剪、光照归一化）；③ 算法推理（加载模型执行前向计算）；④ 结果判定（将模型输出与预设阈值比较）；⑤ 数据上抛（通过OPC UA、REST API或MQTT协议写入MES）。其中，第⑤步是MES对接的核心，要求数据格式严格遵循MES的接口规范。

3.3 案例拆解：某汽车零部件厂的“AI+传统视觉”级联检测工位

为更直观地理解AI质检的落地过程，我们拆解一个真实场景：某铝合金压铸件工厂需要检测产品表面的气孔与毛刺，并实时上传结果至MES。

背景与约束：产线节拍为30秒/件，缺陷类型包括气孔（直径0.3-2mm）和毛刺（高度0.1-0.5mm）。原有人工目检漏检率高达8%，且无法记录缺陷位置。
初始现象：单纯使用传统视觉时，由于铸件表面反光不均，毛刺检测的误报率高达25%，导致频繁停机。
关键输入数据：采集了5000张标注图像（含2000张缺陷样本），使用YOLOv5s模型训练，输入分辨率640×640，训练轮次200轮，最终mAP@0.5达到0.95。
分析判断过程：工程师发现，气孔在灰度图像中呈现低灰度圆形区域，适合用传统Blob分析快速筛查；而毛刺形态不规则，必须依赖深度学习。于是设计级联策略：第一步，传统视觉在5ms内剔除明显OK件（约60%）；第二步，剩余40%疑似件进入深度学习模型精判。
实际操作步骤：① 在PLC中编写触发逻辑，当工件到位时发送硬触发信号；② 相机采集图像后，先执行ROI裁剪（去除背景干扰）；③ 运行传统算法，若判定为OK则直接放行；④ 若为疑似NG，则调用GPU推理服务，获取缺陷框坐标与类别；⑤ 将结果封装为JSON消息，通过MQTT推送到MES的质量模块。
结果对比：级联方案将误报率从25%降至3%，漏检率降至1.2%，且单件检测耗时控制在800ms以内（含通信开销）。MES看板实时显示缺陷分布热力图，帮助工艺团队定位模具磨损区域。
风险与代价：深度学习模型需要定期用新样本微调（每月一次），否则当模具磨损导致缺陷形态变化时，准确率会下降。此外，GPU服务器的冗余配置增加了初期投资。
复盘经验：AI质检不是“一锤子买卖”，必须建立数据反馈闭环——MES中的人工复判结果应定期回流至训练集，实现模型持续优化。

3.4 典型输出数据结构与MES对接规范

无论使用何种算法，最终上传至MES的数据必须结构化。以下是一个推荐的JSON输出示例，涵盖了追溯所需的关键字段：

{
  "inspection_id": "QC_20240511_001234",
  "work_order": "WO-2024-0511-08",
  "serial_number": "SN-PART-000123",
  "station_id": "AI_INSPECT_03",
  "timestamp": "2024-05-11T14:23:05Z",
  "result": "NG",
  "confidence": 0.87,
  "defects": [
    {
      "type": "scratch",
      "bbox": [120, 45, 156, 78],
      "area_px": 890,
      "severity": "high"
    },
    {
      "type": "porosity",
      "bbox": [200, 150, 210, 160],
      "area_px": 120,
      "severity": "low"
    }
  ],
  "image_ref": "http://storage/2024/05/11/SN-PART-000123.jpg"
}

在对接时，需注意MES系统通常要求“工单号+序列号”作为唯一键。若产线尚未建立序列号追溯，则至少应上传工单号与时间戳。此外，图像存储路径（image_ref）至关重要，它使得质量人员可以在MES界面点击跳转查看原始图像，这是追溯记录中不可缺失的一环。

3.5 常见误区与总结复盘

误区一：盲目追求高精度而忽略过拟合。在实验室中模型准确率99%，但现场换了一条产线（光照不同）后准确率骤降至70%。解决方案是采集数据时覆盖多角度、多时段光照，并在部署前进行“域适应”验证。

误区二：将AI质检结果直接作为“最终判定”。AI应作为“初检员”，对于低置信度（如0.5-0.7）的结果，应自动流转至人工复判台，而非直接判定NG。这能有效减少误杀，提升产线良率。

误区三：忽略通信延迟对节拍的影响。若MES接口响应时间超过500ms，会拖慢产线。建议采用“异步上传”模式——AI先本地缓存结果，后台线程批量上传，避免阻塞检测流程。

总结：AI质检的核心价值在于将不可量化的“人眼经验”转化为可追溯、可分析的结构化数据。在MES对接中，我们不仅要关注“判得准”，更要关注“传得通”。一个合格的AI质检模块，应输出包含判定结果、缺陷明细、置信度、图像引用的完整数据包，并支持断线重连与数据补传。唯有如此，智慧工厂的质量闭环才能真正落地。