问：AI质量缺陷分类系统原理是什么？有哪些实际案例？

答：AI质量缺陷分类系统的核心原理，是用深度学习模型替代人工目检，把工业相机拍到的产品表面图像实时切成小图，再让模型判断这张图属于划痕、脏污、缺料还是合格品。说白了就是给生产线装了一双不会累、不会走神的眼睛，而且这双眼睛还能越用越准。

一、原理拆开看，其实是四步流水线

第一步是成像。产线上架工业相机，配合特定角度的光源，把产品表面打成高对比度图像。不同缺陷对光源敏感度不一样，划痕适合低角度光，脏污适合同轴光，这一步没做好，后面算法再强也白搭。

第二步是预处理和切图。整张图太大，模型看不过来，系统会按产品轮廓或固定网格切成小图块，再做去噪、增强、归一化。有些方案还会做数据增强，把少量缺陷样本旋转、缩放、加噪声，扩充训练集。

第三步是特征提取与分类。这是核心。早期用CNN卷积神经网络，现在主流是轻量级骨干网络加分类头，比如MobileNet、ResNet变体，也有用Vision Transformer的。模型输出的不是简单的好或坏，而是每个类别的概率分布，比如划痕0.87、脏污0.09、合格0.04。产线根据阈值决定报警还是放行。

第四步是闭环迭代。产线跑起来后，系统会把置信度低的图片挑出来，让人工复判，复判结果自动回流训练集，模型定期增量训练。这套机制决定了系统上线三个月后是越来越准，还是越来越废。

二、实际案例长什么样

假设一家做连接器端子的电子厂，冲压车间每分钟产出几百件，以前靠两个质检员在传送带末端盯着看，漏检率随疲劳度波动。部署AI缺陷分类系统后，工位上方装两台500万像素相机，分别拍端子的正面和侧面。系统把划痕、毛刺、缺料、变形四类缺陷分开报警，同时把缺陷图片按类别存到数据库。质检员从盯屏幕变成处理报警，一个人能看三条线。运行半年后，模型对划痕的召回率从初期的八成多爬到九成五以上，靠的就是每天几百张复判图片的回流训练。

再假设一家汽配企业做刹车片表面检测。刹车片缺陷种类多，有裂纹、气孔、掉角、混料，而且有些缺陷极其细微。这家企业用的是多光谱成像加AI分类，红外通道专门抓内部裂纹，可见光通道抓表面气孔。系统上线后，最直接的改变是客诉里外观不良的比例明显下降，因为以前抽检漏掉的边缘缺陷被相机抓住了。

三、选型时容易踩的坑

从实践来看，很多工厂把AI缺陷分类当成买软件，其实它更像买一套需要持续喂养的系统。样本够不够、缺陷定义清不清楚、产线震动和光照稳不稳定，这些比算法本身更决定成败。另外，缺陷分类和缺陷检测是两件事，检测是找异常，分类是判断异常属于哪一类，前者可以无监督，后者必须有人工标注的类别体系。如果工厂连缺陷类别都没统一命名，上系统之前先做这件事。

个性化建议是，先拿一条产线、一类产品、三到五种缺陷做试点，跑三个月看模型能不能稳定收敛。别一上来就全厂铺开。累计3200余家终端和120余家客户（覆盖15+行业）的落地经验说明，试点跑通再复制，比一次性大干快上省的钱多得多。