AI 视觉检测在工业质量控制中的普及速度很快——从 2018 年起，汽车、电子、光伏、面板等行业的新建生产线几乎都配备了 3D 线扫或深度学习视觉检测系统。检测技术的进步显著降低了漏检率和人工成本，但质检系统的数据价值并没有被充分释放：视觉检测只输出"合格/不合格"和简单缺陷类型标签，缺陷件被下游分拣后，缺陷数据与上游加工过程数据（CNC 参数、注塑工艺、焊膏印刷）之间的关联链路没有打通。
视觉检测方案的三类选择
工业视觉检测的技术选型需要在精度、速度、成本、部署难度四个维度之间权衡。当前主流的三类方案各有适用场景。
传统 CV（计算机视觉）基于 OpenCV 等开源库或 Cognex、Keyence 等商用平台，用模板匹配、边缘检测、阈值分割等经典算法识别缺陷。优点是无需海量标注数据，调试周期短，对算力要求低（可以在边缘网关或工控机上运行）。缺点是对光照变化、姿态变化的鲁棒性差，复杂缺陷（如微裂纹、色差渐变、不规则异物）的检出率有限。
3D 线扫（Laser Triangulation）用激光线投射到工件表面，通过线扫相机采集激光线的畸变来重建表面高度信息。适合检测高度差类缺陷（凹坑、凸起、划痕深度），测量精度可达微米级。缺点是设备成本高（相机 + 激光发射器 + 运动控制），部署需要精确的安装标定。
深度学习方案用 CNN 做图像分类、目标检测、语义分割三大任务。YOLO 系列（最新 v11）是工业界的主流选择——单帧推理延迟低于 50ms，可以在边缘设备（如 NVIDIA Jetson Orin）上实时运行。ViT（Vision Transformer）在精度上优于 CNN，但对算力要求更高，通常在 GPU 服务器上离线训练后量化部署到边缘。
三类方案的技术对比：
方案 | 缺陷类型覆盖 | 精度上限 | 单帧延迟 | 部署算力 | 训练数据量 |
传统 CV | 明显缺陷（划痕、异物） | 0.1mm | < 10ms | CPU | 无需训练 |
3D 线扫 | 高度差类（凹坑、凸起） | 1µm | 20-100ms | CPU + 运动控制 | 无需训练 |
深度学习 YOLO | 复杂缺陷（微裂纹、色差） | 0.01mm | 20-50ms | GPU / NPU | 每个缺陷类 > 100 张标注图 |
缺陷分类体系
缺陷分类是追溯链路的起点——分类越细、标签语义越明确，后续的根因定位越准确。工业质检的缺陷分类体系需要结合具体工艺来设计，没有通用模板。
电子行业的 PCB 外观检测，缺陷通常分为以下几大类：短路/开路（铜箔连接异常）、缺件/多件（元件缺失或错位）、焊点缺陷（虚焊、连焊、锡珠）、异物/污渍、方向/极性错误。汽车涂装检测则关注：流挂、针孔、橘皮、色差、缺陷点（颗粒混入）。光伏电池片的缺陷分为：隐裂、虚焊、银浆偏移、色差、杂质。
一个好的缺陷分类体系有三个要求。第一，可操作——现场工程师不需要额外培训就能准确打标签。如果把色差细分为 "ΔE 1.0-2.0 偏青" 和 "ΔE 2.0-3.0 偏青"，后者对非专业人士来说无法主观判断。第二，能关联根因——"连焊"这个标签能自动关联到 "焊膏印刷量过大" 这个工艺参数问题，而 "焊点异常" 就太模糊。第三，有层级——大类（焊点缺陷）之下有子类（虚焊、连焊、锡珠），模型训练时可以先做大类再做子类。
追溯链路的数据闭环
缺陷根因追溯的数据链路需要同时拉取四类数据：视觉检测输出、产品标识、工艺参数、设备状态。
视觉检测输出不仅包含缺陷类型标签，还应该包含缺陷位置坐标（相对于工件的像素坐标或物理坐标）、缺陷面积、置信度、检测时间戳。这些信息用于后续在工艺参数时间轴上对齐——一个出现在工件坐标 (123, 456) 的连焊，对应的就是 PCB 上 R12 电阻的焊接位置，对应的加工时间是贴片机第 3 组，焊接温度曲线从 180°C 升到 245°C 持续 60 秒。
产品标识是贯穿整个追溯链路的关键。每个工件或批次需要有唯一的标识（2D 码、RFID、或系统分配的序列号），这个标识在视觉检测时被读取，在追溯时作为索引键关联所有相关数据。追溯时用产品标识查询：这台 PCB 板经过了哪台贴片机、哪台回流焊、检测时的图像是什么、当时的焊膏印刷量是多少、同批次还有哪些板通过了检测。
工艺参数包括整条产线各工序的设定值和实际值——贴片机的贴片精度偏移、回流焊的温度曲线各段、焊膏印刷量、冲床的压力、注塑机的注射压力和保压时间。这些参数通常以秒级或事件触发频率采集，存储在工业数据平台中。
设备状态数据反映设备的健康状况——主轴振动、轴承温度、导轨间隙、伺服电机编码器偏差。设备状态异常往往是工艺参数偏离设定值的根因。
四元数据关联的逻辑如下：当视觉检测报告一个缺陷时，系统自动用产品标识查询该工件关联的所有工艺参数和设备状态数据。关联完成后，得到一个完整的"时间片"——从该工件上料开始到检测结束的所有数据点。根因分析模型（可以是 AI 模型或规则引擎）在这个时间片内寻找异常模式——焊膏印刷量突然增大了 15%（可能是印刷机刮刀磨损），回流焊温度曲线 220°C 保持时间比标准少了 5 秒（可能是传送带速度过快）。
小样本学习与数据增强
深度学习模型在工业场景落地的一个核心障碍是训练数据不足。缺陷样本在生产中通常只占很小的比例（< 1%），而且不同缺陷类型的样本分布极不均匀——划痕的样本可能有 1000 张，而色差缺陷可能只有 50 张。直接用这些样本训练的模型，精度和泛化能力都很差。
小样本学习的主流路线有三条。第一是迁移学习——用大数据集预训练的模型（如 COCO 预训练的 YOLO）做骨干网络，只在最后几层用工业缺陷数据微调。这条路线效果最好，大多数工业 AI 项目都采用这个思路。第二是少样本学习（Few-Shot Learning）——模型只需要每个类别 5-10 个样本就能学习区分，适合极端稀缺的缺陷类型。当前的少样本学习框架（如 MetaDet、Re-parameterization based Detector）在工业场景的效果还需要验证。第三是数据增强——对现有缺陷样本做旋转、翻转、亮度/对比度调整、添加噪声等变换，生成合成样本扩充训练集。数据增强是最低成本、最有效的补充手段。
工业场景特有的数据增强方法还有合成渲染——用 CAD 模型和 3D 渲染引擎生成带缺陷的合成图像。例如对一个 PCB 板的 CAD 模型做 3D 渲染，再在渲染图像上叠加合成的虚焊、连焊、缺件效果。合成图像的优势是缺陷标签完全精确（因为是合成的），且可以批量生成任意数量的样本。
边缘 AI 推理的部署架构
视觉检测的 AI 推理是延迟敏感的——高速生产线的节拍可能是每秒数件，推理延迟超过 100ms 就会成为瓶颈。所以推理通常部署在靠近相机的边缘设备上，而不是云端服务器。
边缘 AI 设备的选择取决于模型大小和实时性要求。NVIDIA Jetson Orin NX 提供 100 TOPS 的算力，足以在 20ms 内推理一个 YOLOv8s 模型，适合大多数视觉检测场景。Intel OpenVINO 在 CPU 上也能实现 50ms 以内的延迟，适合算力预算有限的场景。对于极端低延迟（< 10ms），可以用专用 NPU（如瑞芯微 RK3588、昇腾 310）做固定网络的硬件加速。
边缘推理的输出不仅要触发分拣动作（合格 → OK 料道，不合格 → NG 料道），还要实时推送给工业数据平台做追溯关联。这个推送通道必须与视觉检测的节拍同步——每个工件检测完成后立即推送一条包含产品标识、缺陷坐标、检测时间戳的消息，数据平台接收到消息后自动关联工艺参数和设备状态。
结语
AI 质检当前的技术成熟度已经很高，真正的价值突破点在于从"检测发现缺陷"升级为"主动追溯根因"。这个升级的关键不在 AI 模型本身，而在于数据基础设施——视觉数据、工艺数据、设备数据、产品标识数据这四类数据必须统一汇聚到工业数据平台，并且能通过产品标识做秒级关联查询。AI 原生工业数据平台可以进一步优化这个流程：利用 AI Agent 自动完成根因分析报告，当检测到缺陷时自动查询关联数据、对比历史缺陷模式、生成建议措施。这才是工业互联网下质检的完整闭环，而不仅仅是检测环节的一个 AI 插件。
