结论先行 — AI 缺陷检测用学习模型替代阈值判定。真实产线上可做到 98–99.5% 缺陷召回率、1–3% 误报率，边缘 GPU 单图推理 10–50 毫秒，投资回收期通常 8–18 个月。真正的瓶颈不是算法而是样本：每个缺陷类别准备 200–500 张图，没有坏件时可用异常检测先冷启动。
为什么规则视觉在真实缺陷上失效
传统视觉靠灰度差、边缘位置、面积等固定阈值判断，只适合均匀表面上的划痕。遇到纹理、曲面、反光件时，正常波动本身就超过缺陷信号，结果要么漏检低对比缺陷，要么每班几百次误报；每来一个新料号，规则集就得重做一遍。
深度学习改变了什么
- 纹理容忍：拉丝、铸件、织物不再是难题，模型学习的是”正常”的分布。
- 一个模型覆盖多类缺陷：分割与分类共享骨干网络，划伤、脏污、缺件、偏移一次完成。
- 跨型号迁移：同系列产品用 50–100 个新样本微调即可恢复精度，不必重建规则。
可以预期的精度
| 缺陷类型 | 典型召回率 | 误报率 |
|---|---|---|
| 划伤、脏污、污染 | 99–99.5% | 0.5–2% |
| 缺件、错位 | 99.5% 以上 | 低于 1% |
| 亚毫米级尺寸缺陷 | 97–99% | 1–3% |
| 低对比内部裂纹 | 94–98% | 2–5% |
以上用于规划，不是承诺。只讲召回率、不给误报率的方案，等于只讲了一半。
数据要求与冷启动
监督训练需要标注样本，经验值是每个缺陷类别 200–500 张；稀有缺陷可先从 50–100 张起步，边生产边补。完全没有坏件时，用只训练良品的无监督异常检测，两三周即可拿到可用基线，之后再把真实缺陷并入训练。
节拍与硬件
边缘 GPU 单图 10–50 毫秒，可覆盖低至几百毫秒的节拍。再往上，瓶颈转到光学与机构：曝光、上料姿态、剔除动作通常先于模型成为限制，靠多工位相机和预触发解决，而不是更快的网络。
成本区间
单工位（工业相机、镜头、结构光、边缘工控机、软件）约 10–30 万元；多工位整线含 MES 集成约 50–200 万元。后续维护成本不高，缺陷集稳定后每季度几天即可完成模型维护。
常见问题
换型号要重新训练吗？ 同系列微调即可；不同品类需要重新采样本，预留 2–4 周。
如何压低误报？ 用带标注的验证集确定阈值，不要拿单个班次的数据调参，上线首月逐条复核误报。
每个工位都要 GPU 吗？ 不一定，节拍允许时一张边缘 GPU 可带 2–4 个相机。
精度为什么会漂移？ 多数现场退化来自光学：光源衰减、镜头污染、上料姿态变化，需要每月复验成像系统。
下一步
把产线布局、缺陷清单和目标节拍发给我们，三个工作日内回复可行性说明，包含预期召回率、误报预算和成本区间。架构与报价细节见AI 视觉质检指南。
