问：AI质量缺陷分类系统原理与传统方案相比有什么优势？

答：AI质量缺陷分类系统最大的优势，是把“人眼盯+规则卡”变成“模型学+概率判”，在面对划痕、脏污、色差、缺料这类边界模糊的缺陷时，漏检率和过杀率能同时压下来。传统视觉方案不是没用，而是它擅长的是“有明确阈值”的场景，一旦缺陷形态多变、光照波动、产品换型，规则库就会迅速失效。

一、常见误区：以为传统视觉调调参数就能覆盖所有缺陷

很多工厂第一次上视觉检测，习惯让算法工程师写一堆if-else规则：灰度值大于多少算脏污，边缘梯度超过多少算划痕。短期看能跑通，但产线换一批来料、换一个班次的光源衰减，规则就开始飘。更麻烦的是，缺陷分类不是“有和无”的二分类，而是要把划痕、凹坑、异物、气泡分到不同类别，传统方案靠人工堆规则，类别一多就互相打架。

二、真实坑点：传统方案在分类环节的三个硬伤

1. 特征靠人定，漏掉未知缺陷。传统方法提取的是HOG、LBP、边缘轮廓这类手工特征，工程师没想到的特征，系统就学不会。某电子厂做连接器外观检测，一开始只定义了“引脚歪”和“缺pin”，结果上线后批量出现“引脚氧化发黑”，规则库里没有对应特征，整批漏到客户手里。

2. 换型即重调，停机成本高。假设一家汽配企业做刹车片表面检测，传统方案换一个型号就要重新标定ROI、重设阈值，一次换型调试两三个小时。多品种小批量产线根本扛不住。

3. 过杀率高，误报拖垮产线。规则卡太严，把正常纹理当成缺陷；卡太松，真缺陷又漏。某注塑厂用传统视觉做透明件黑点检测，过杀率长期在8%左右，每天要安排两个人专门复判，等于没省人力。

三、规避方法：用AI分类模型替代手工规则

AI质量缺陷分类系统的原理不复杂：用卷积神经网络（CNN）或轻量级Transformer做骨干，把缺陷图像映射成高维特征，再通过分类头输出各类别概率。关键差异在于——

1. 特征从数据里自己学。你给它几千张已标注的划痕、脏污、正常样本，模型自己找区分边界，不需要工程师写“灰度>120且面积