AI 视觉检测
Machine Vision
AI-based Visual Inspection
用工业相机采集图像，通过传统图像算法或深度学习模型判定产品外观与装配状态是否合格的检测方式。相比人工目检，优势是稳定性（不会疲劳、标准一致）、速度与可追溯（每件留图）。两个关键指标：漏检率（把不良判为良品，直接流向顾客，是致命的）与过杀率（把良品判为不良，造成报废与复检成本）。二者此消彼长，阈值设定必须依据「漏检的后果严重程度」而非「追求两者都低」—— 安全特性宁可过杀。深度学习落地的前提：① 足够且均衡的样本（不良样本天然稀少，需要刻意收集与数据增强）；② 缺陷定义清晰（「轻微划伤」与「可接受纹理」的边界必须由质量与顾客共同书面确认，否则模型学到的是标注者的主观）；③ 稳定的成像条件（光源、角度、背景、防振），成像不稳定则模型再好也不可靠。审核关注：模型版本是否受控（换模型等于换检测标准，须走变更）、判定阈值是否有依据、误判件的处置与复检机制、以及「AI 判合格」是否被当作免除后续抽检的理由（不应免除）。