超级管理员
楼主
线束厂的质检一直是人力密集环节，这几年 AI 视觉的方案很多，但真正跑顺的不多。核心问题是把不同性质的缺陷塞给同一个模型。
先把缺陷分类
按检测手段分四类：
一，外观类。端子变形、护套破损、胶带包扎不良、标记模糊。这类靠视觉，也是 AI 最擅长的。
二，尺寸类。剥线长度、压接高度、压接宽度。这类靠测量，视觉可以测但要标定，精度不如专用量具。
三，电气类。导通、耐压、绝缘电阻。这类必须靠电测，视觉完全无能为力。
四，装配类。线序错误、漏装防水栓、错位插入。这类靠视觉加电测组合，单靠一种都会漏。
AI 视觉真正能提效的
外观类里的瑕疵检测。传统视觉靠阈值和模板匹配，换个批次的光照、换个颜色的线材就要重新调参。深度学习模型对这类变化的鲁棒性好得多。
另一个高价值场景是「找茬式复核」：人工已经检过，AI 做第二遍，专挑漏检。这个用法对人的压力小，也容易验收。
别指望的事
不要让模型直接判合格放行。模型输出应该是「疑似异常，请人工确认」，最终判定权在人。一次误判放走不良品，代价远大于省下的人力。
数据从哪来
最现实的做法是用现有的人工质检工位顺手采集：每个被判不良的件，拍照留档并标注原因。三个月能攒出可用的数据集。
冷启动阶段的准确率不会好看，要有心理准备。
验收指标
别看准确率，看漏检率和误报率分开的两个数。漏检率决定质量风险，误报率决定人工负担。两个都要定目标，只定一个必然失衡。
本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。
