4. AI质检核心概念
在智慧工厂的质检场景中，AI质检并不是单一算法，而是一组围绕图像理解构建起来的技术体系。它的目标是用工业相机、光源、边缘计算设备与深度学习模型，替代或辅助人工完成对产品外观、尺寸、装配状态和表面质量的判断。理解这一体系，需要先厘清几个核心概念：计算机视觉是“眼睛”，深度学习是“大脑”，缺陷检测是“任务”，而分类、定位、分割与异常检测则是完成任务的四种主要输出形式。
一、从计算机视觉到深度学习：AI质检的技术底座
计算机视觉研究如何让机器从图像或视频中提取信息。在工厂里，它通常包括图像采集、预处理、特征提取和结果输出几个环节。传统视觉依赖人工设计特征，例如边缘、灰度阈值、模板匹配和形态学操作，适合规则明确、背景稳定的场景，如螺丝有无、标签位置、字符识别等。但面对划痕、脏污、色差、反光、褶皱等复杂缺陷时，人工特征往往难以覆盖所有变化。
深度学习改变了这一局面。卷积神经网络能够自动从大量样本中学习层次化特征：浅层关注边缘和纹理，深层关注形状和语义。以YOLO、Faster R-CNN、U-Net、DeepLab、PatchCore等为代表的模型，分别适用于检测、分割和异常识别。其典型训练流程如下：
1. 采集图像：工业相机 + 光源 + 触发信号
2. 数据标注：分类标签、检测框、分割掩膜或正常样本集
3. 数据增强：旋转、裁剪、亮度扰动、噪声、缺陷合成
4. 模型训练：选择骨干网络、损失函数与优化器
5. 评估调优：看准确率、召回率、mAP、IoU、误检率
6. 部署推理：ONNX/TensorRT/OpenVINO 边缘加速
7. 闭环迭代：难例回流、再标注、再训练在智慧工厂中，深度学习模型通常部署在产线边缘服务器或工控机上，与PLC、机械臂、剔除装置联动。当模型判断为NG时，系统输出信号触发剔除、报警或复检，形成“采集—推理—决策—执行”的闭环。
二、缺陷检测的四种核心输出形式
缺陷检测是AI质检的总目标，但不同产线对“检测结果”的要求并不相同。有的只需要判断OK/NG，有的需要标出缺陷位置，有的需要精确到像素轮廓，还有的只拥有正常样本、无法收集缺陷样本。因此，分类、定位、分割与异常检测构成了四种关键任务形态。
| 任务类型 | 输出形式 | 典型问题 | 常用模型/方法 | 工业场景 |
|---|---|---|---|---|
| 分类 | 图像级类别标签 | 这张图是OK还是NG？ | ResNet、EfficientNet、ViT | 表面脏污初筛、字符有无 |
| 定位 | 边界框 + 类别 | 缺陷在哪里？有几个？ | YOLO、Faster R-CNN、SSD | 划痕、凹坑、漏装、异物 |
| 分割 | 像素级掩膜 | 缺陷轮廓和面积是多少？ | U-Net、DeepLab、Mask R-CNN | 裂纹长度、涂覆缺失、焊缝气孔 |
| 异常检测 | 正常/异常分数或热力图 | 只有正常样本，如何发现未知缺陷？ | AutoEncoder、PatchCore、PaDiM | 新产品试产、缺陷样本稀缺场景 |
分类是最基础的任务，它回答“是什么”。定位在分类基础上增加空间信息，回答“在哪里”。分割进一步细化到像素级，回答“形状和面积是多少”。异常检测则换了一种思路：不要求模型见过所有缺陷，而是学习正常样本的分布，把偏离正常模式的区域判为异常。四者不是互斥关系，实际项目中常组合使用，例如先用分类做粗筛，再用分割做精修。
三、方法流程：从图像到质检决策
一个完整的AI质检流程通常包含数据、模型、部署和业务四个层面。数据层面要解决样本不均衡、标注一致性和光照稳定性问题；模型层面要选择合适任务头与损失函数；部署层面要关注推理延迟、吞吐量和硬件成本；业务层面则要定义误检率、漏检率和复检策略。
以金属表面划痕检测为例：相机采集灰度图后，先做ROI裁剪和去噪；若划痕样本充足，可用YOLO做定位，再用U-Net分割出划痕区域并计算长度；若划痕样本极少，则用PatchCore学习正常纹理，推理时输出异常热力图，再由阈值判定NG。最终系统将结果写入MES，并保存缺陷图像供追溯。
四、案例与常见误区
某3C结构件产线曾遇到“漏检率高”的问题。最初团队用分类模型判断OK/NG，但缺陷只占图像极小区域，分类模型容易被背景干扰。后来改为“定位+分割”两级方案：YOLO先找出疑似缺陷区域，U-Net再对候选区域做像素级判断，漏检率从8%降到1.2%。这说明任务粒度选择直接影响质检效果。
常见误区主要有四类：第一，把分类当万能，忽略小目标缺陷；第二，标注不规范，同一缺陷不同人标法不一致，导致模型学偏；第三，只关注准确率，忽略召回率和误检率，产线实际更怕漏检；第四，训练集与产线分布不一致，例如换批次、换光源后模型性能骤降。复盘时应优先检查数据分布、标注质量和阈值策略，而不是只调模型结构。
总体来看，AI质检的核心概念并不复杂：计算机视觉解决“看得见”，深度学习解决“看得准”，缺陷检测解决“判得对”，而分类、定位、分割与异常检测解决“输出什么”。在智慧工厂落地时，真正决定成败的往往不是模型有多深，而是任务定义是否清晰、数据是否可靠、阈值是否合理、闭环是否顺畅。把这几个概念放在同一条产线逻辑中理解，才能让AI质检从演示走向稳定生产。