1. 课程导入与工程全景

在一条典型的电子装配产线上，一台工业相机每秒拍摄 30 帧图像，每帧图像上可能同时存在焊点、字符、螺丝、连接器等多个检测目标。当某台产品在客户端出现功能失效时，工程师最常被问到的问题是：“这台产品在出厂时，视觉检测到底看到了什么？判定依据是什么？当时的图像还在吗？”如果回答不了这三个问题，视觉检测就只是一道“黑箱闸门”，而不是可追溯的质量证据。

本课程讨论的视觉检测证据链，指的是从“产品身份”到“图像采集”到“算法判定”再到“结果归档”的一条完整、可回溯、可验证的数据链条。它要回答的不是“检测准不准”，而是“凭什么说它准，以及这个结论能不能被复现”。而产品追溯，则是把这条证据链与具体的产品个体（序列号、批次、工位、时间）绑定，使得任何一个已交付的产品，都能反向定位到它经历过的每一次视觉判定。

一、边界：证据链不等于检测系统

很多团队把“上了视觉检测设备”等同于“有了证据链”，这是最常见的认知偏差。视觉检测系统解决的是“当下这一帧怎么判”，而证据链解决的是“这个判定如何被保存、关联、检索和验证”。两者的边界可以用四个问题划清：

• 身份问题：这一帧图像属于哪一个产品个体？没有唯一标识，图像只是无主数据。
• 上下文问题：这一帧是在哪个工位、哪个相机、哪组参数下拍摄的？换型、调光、换镜头都会改变判定语义。
• 判定问题：算法输出的分数、阈值、缺陷类别、判定结论是否被完整记录，而不只是记录“OK/NG”。
• 留存问题：图像、模型版本、判定日志的保存周期与检索方式是否满足客诉、审核或召回要求。

换句话说，检测系统是“生产线上的眼睛”，证据链是“这双眼睛的执法记录仪”。没有记录仪的执法，在争议面前是没有说服力的。

二、核心价值：从“检出率”到“可举证”

视觉检测的传统 KPI 是检出率、误判率、节拍。证据链引入后，价值维度发生变化：

需要强调的是，证据链的价值不是“多存几张图”，而是把质量结论从主观陈述变成可验证事实。在汽车、医疗、3C 电子等行业，这种转变直接决定了客诉处理成本和召回范围。

三、典型行业场景

不同行业对证据链的侧重点不同。3C 电子装配关注高速节拍下的字符与焊点追溯，通常要求按序列号保存关键工位的判定图像；汽车零部件关注缺陷可追溯与批次隔离，强调缺陷图像与工艺参数的关联；医药包装关注合规留档，对保存周期和不可篡改性要求更高；新能源电池则关注极片、焊缝等连续材料的缺陷定位，需要把图像坐标映射到卷料长度位置。这些差异决定了证据链的存储策略、索引字段和检索方式，而不是一套模板通吃。

四、整体技术架构

从工程实现看，视觉检测证据链可以划分为五层：采集层、判定层、关联层、存储层、检索与应用层。采集层负责图像与元数据同步；判定层输出分数、类别与阈值；关联层把判定结果与产品序列号、工位、时间绑定；存储层按热、温、冷分级保存；检索层提供按序列号、时间段、缺陷类别的查询能力。下图给出这一架构的核心数据流与关键字段。

图中最容易被忽视的是关联层。很多项目在采集和判定上投入充分，却在关联环节用“文件名包含时间”这种脆弱方式绑定产品，导致换型或重启后序列号错位，证据链断裂。工程上更稳妥的做法是：由 PLC 或 MES 在触发相机的同时下发产品序列号，相机端将序列号写入图像元数据，判定层再将其透传到存储记录，形成不可分割的一条记录。

五、一个可参考的证据记录示例

下面给出一条典型的证据记录结构（字段为示例设计，非实测数据），用于说明“一条可追溯记录”应该长什么样：

{
  "sn": "SN2024A-0031872",
  "station_id": "AOI-02",
  "camera_id": "CAM-LEFT-01",
  "capture_ts": "2024-06-11T09:23:17.482+08:00",
  "image_uri": "s3://aoi-evidence/2024/06/11/AOI-02/SN2024A-0031872_L.jpg",
  "model_ver": "solder_v3.2.1",
  "threshold": 0.75,
  "score": 0.91,
  "defect_class": "solder_insufficient",
  "verdict": "NG",
  "trace_code": "TRC-9F2A-7710"
}

当客户返回一台失效产品时，工程师只需输入序列号，即可检索到该产品在 AOI-02 工位的原始图像、判定分数、模型版本和阈值。如果 score 为 0.91 而阈值为 0.75，说明当时算法确实判为 NG，那么问题就转向“NG 品为何流出”，而不是“检测有没有看到”。这就是证据链把问题从模糊争论拉回到可核查事实的作用。

本课程后续将围绕这条链条逐层展开：如何设计采集与触发、如何记录判定上下文、如何做分级存储与检索、如何用证据链支撑客诉与工艺改进。本章的目标是建立一个整体判断：视觉检测的终点不是“判出 OK/NG”，而是“留下一条能被验证的证据”。