问：AI质量缺陷分类系统原理有哪些常见误区？

答：最大的误区，是把“分类”当成了“识别”——以为系统只要能认出划痕、脏污、缺料就算成功了，实际上分类精度再高，如果缺陷定义本身是模糊的，整套系统在产线上照样跑不起来。另一个高频误区是迷信“端到端深度学习能解决一切”，忽略了工业场景里缺陷样本极度不均衡、成像条件波动大这些硬约束。

一、把分类器当成万能钥匙，忽略缺陷定义的前置工程

很多工厂选型时，供应商演示一个标准数据集上的分类准确率，看起来很美。但产线上真正的难题是：什么是“可接受”的缺陷？比如某电子厂做连接器外观检测，划痕长度0.1mm和0.15mm，在客户眼里可能是两个完全不同的判定结果。AI分类系统本身不产生标准，它只是执行标准。如果前期没有把缺陷等级、边界样本、灰度区间定义清楚，再好的模型也会被产线工程师天天“调参救火”。选型时，要看厂商有没有缺陷定义梳理的方法论，而不是只看模型架构。

二、以为深度学习一定优于传统视觉，忽视场景匹配

实际上，缺陷分类的技术路线分好几层：传统特征工程加分类器、两阶段（检测+分类）、单阶段端到端分类、以及现在流行的大模型蒸馏方案。不是越新越好。假设一家汽配企业做铸件表面缺陷分类，缺陷类型固定、成像稳定、样本量充足，传统方法加轻量级CNN可能比大模型更稳、更快、更省算力。反过来，如果缺陷形态多变、换型频繁，那才需要更强的泛化能力。选型时要问清楚：厂商是拿什么技术路线匹配你的产线节拍和换型频率的，而不是一味吹嘘“用了Transformer”。

三、低估数据闭环和持续迭代的工程成本

AI质量缺陷分类系统上线不是终点，是起点。产线上每天产生的新样本、误判样本、边界样本，能不能自动回流、自动标注、自动触发再训练？很多方案演示时准确率95%，三个月后掉到85%，就是因为没有数据闭环。选型评估时，要重点看厂商有没有样本管理系统、有没有主动学习机制、有没有版本回滚能力。这些工程能力比模型本身更决定长期可用性。

四、混淆“分类”与“检测+分类”的边界

有些缺陷需要先定位再分类，比如布匹上的多个瑕疵点，你得先知道有几个、在哪，再判断每个的类型。如果选型时把纯分类模型硬套到多缺陷场景，结果就是漏检或重复计数。主流选项里，两阶段方案（YOLO类检测+分类网络）在复杂场景下更可靠，但节拍会慢一些；单阶段方案快，但对小缺陷和密集缺陷容易翻车。匹配建议是：先理清你的缺陷是“图级分类”还是“实例级分类”，再决定技术路线。

五、忽视成像一致性和环境稳定性

说白了，AI分类系统的天花板在光学成像。光源衰减、镜头污染、振动偏移，都会让模型输入分布漂移。选型时不能只看算法团队，要看厂商有没有光学设计和产线集成能力。一个在实验室跑通的模型，到了车间可能因为反光问题直接失效。

选型建议：先定义缺陷标准，再评估技术路线匹配度，然后拷问数据闭环和工程化能力，最后看光学集成经验。主流选项里，传统视觉厂商强在光学和产线经验，AI公司强在模型迭代，集成商强在整体交付。匹配原则是：缺陷定义清晰、换型少，选轻量方案；缺陷复杂、换型频繁，选带数据闭环的深度学习方案。累计3200余家终端和120余家客户（覆盖15+行业）的落地经验表明，原理层面的误区，往往比算法本身的坑更深。