工业视觉检测方案不能从“选哪个模型”开始。先明确检测对象、成像条件、缺陷判定、产线节拍和处置动作，再决定采用规则算法、OCR、监督学习、异常检测或组合方案。算法只是链路中的一环，稳定运行还取决于光学条件、样本质量、设备接口、异常复核和可重复的验收方法。
先把检测任务写成可执行定义
“检测划痕”或“识别异物”还不是可以开发和验收的任务。项目输入至少要说明工件型号、拍摄面、缺陷类别、缺陷最小可见尺寸、生产节拍、触发方式和检测后的动作。如果不同班次、供应商或材料批次会改变外观，也应在立项阶段列入变化范围。
缺陷标准需要由业务、质量和技术人员共同确认。对于边界样本，可以建立“合格、缺陷、待复核”三类结果，避免用一个二元阈值替代现场判断。待复核样本应保留原图、裁剪区域、模型版本和判定时间，便于后续复盘。
算法路线要与缺陷形态匹配
| 路线 | 适合处理 | 前置条件 | 主要边界 |
|---|---|---|---|
| 规则与几何算法 | 尺寸、位置、轮廓、颜色阈值和结构稳定的目标 | 成像稳定，判定规则可以明确表达 | 对反光、背景变化和复杂纹理较敏感 |
| OCR与字符校验 | 批次号、日期、标签、喷码和装配字符 | 字符区域可定位，字形与成像质量可控制 | 污损、弯曲、低对比度和版式变化需要单独覆盖 |
| 目标检测或分割 | 已有明确类别的缺件、错装、表面缺陷和异物 | 有覆盖实际变化的标注样本和清晰类别定义 | 未见过的缺陷、类别边界混乱会影响稳定性 |
| 异常检测 | 正常样本较多、缺陷样本较少且形态难穷举的场景 | 正常状态相对稳定，可控制材料和工艺差异 | 异常分数不等于业务缺陷，需要结合阈值与人工复核 |
| 组合方案 | 同时涉及定位、测量、字符和外观缺陷的复杂工位 | 每个模块有清晰输入、输出和失败回退 | 链路越长，越需要控制耗时、版本和错误传播 |
规则算法与AI并不是相互替代关系。位置稳定、尺度明确的部分可以优先使用可解释的规则；纹理复杂、形态变化大的部分再采用学习型算法。组合时应分别记录各模块结果，避免最终只留下一个无法追溯的“合格或不合格”。
完整链路不止一次模型推理
如果成像质量不满足判定条件，系统应输出“图像无效”或进入复核，而不是继续给出高置信度结果。与PLC或产线控制系统联动时，还要明确超时、断网、设备离线和重复触发时的默认动作，避免算法异常直接扩大为生产风险。
样本准备决定验证结果是否可信
样本集应覆盖正常品、已知缺陷、边界缺陷和现场干扰。除产品型号外，还要按班次、设备、相机、原料批次、供应商、光照状态和工艺参数记录样本来源。训练集、验证集和验收集不宜只随机拆分连续拍摄图片，否则相邻画面高度相似，结果可能高估实际泛化能力。
更稳妥的做法是按时间段、生产批次或设备分组留出验收样本，并保留一部分开发期间不参与调参的数据。新增缺陷进入模型前，应经过类别确认、标注复核、版本登记和回归验证，不能直接把现场误报图片加入训练集。
验收不要只写一个“准确率”
| 验收维度 | 建议记录 | 需要提前统一的口径 |
|---|---|---|
| 缺陷检出 | 按缺陷类别统计召回、误报和漏报，并列出原始数量 | 一张图、一个工件还是一个缺陷点作为统计单位 |
| 定位与测量 | 位置偏差、尺寸误差、重复测量波动 | 标定方法、单位、参考量具和允许误差 |
| 运行节拍 | 采图、传输、推理、联动的端到端耗时 | 平均值之外，还需关注峰值和连续运行状态 |
| 环境适应 | 不同班次、批次、光照和设备条件下的分组结果 | 哪些变化属于合同范围，哪些需要重新标定或训练 |
| 系统可靠性 | 离线、超时、无效图、重复触发和恢复记录 | 失败时继续生产、停机还是转人工复核 |
| 数据追溯 | 图片、工件标识、判定、模型版本和处置结果 | 保存期限、权限、脱敏和存储容量 |
验收原则：目标值应根据缺陷风险、工艺能力和样本基线共同确定。没有样本范围、统计单位和现场条件的百分比，不能直接作为不同项目之间的性能承诺。
从概念验证到产线运行的四个阶段
- 现场勘查：确认工位空间、成像距离、节拍、触发信号、网络、电源和控制接口，形成检测项与风险清单。
- 小范围验证：先选择一个边界清晰的检测项，固定样本版本和评价口径，验证成像与算法路线是否成立。
- 联机试运行：接入真实产线信号，记录无效图、误报、漏报、耗时和设备异常，先以提示或复核方式运行，再评估是否自动联动。
- 验收与移交：冻结模型、参数和环境基线，交付指标记录、异常处理流程、版本台账、样本增补规则和回退方式。
哪些情况不应急于上线AI检测
如果缺陷定义尚未统一、相机无法稳定看到目标、现场没有可靠触发信号，或检测结果不能对应明确的业务动作，应先处理工艺和系统条件。对于低频但后果严重的缺陷，也不应仅依赖历史样本中的表现，需要保留人工复核、工艺防错或其他独立保护措施。
工业视觉项目的目标不是展示单次识别效果，而是在明确条件下持续输出可验证、可追溯、可处置的结果。只有当任务定义、数据、成像、算法、接口和验收口径同时闭合，模型能力才可能转化为稳定的生产能力。