“这条线能不能不上人”是很多工厂在评估视觉检测时最先问的问题。上海科迎法电气在配合客户做工业外观质检改造时发现，设备能不能装上去并不难判断，难的是判断哪些缺陷必须靠人、哪些可以交给算法。把所有外观项都交给AI，往往换来一堆误判；只做最规则的两三项，又体现不出投入价值。本文从人工目检的局限讲到AI的能力边界、落地环节与验收指标，给出一条可执行的替代路径。
一、人工目检的天花板在哪
一致性随工时下降
人眼在连续作业两小时后，检出能力会明显下降，尤其是低对比度的细微划痕与色差。同一批产品在不同班次、不同检验员手里，判定尺度也会漂移：早班判合格的件，晚班可能被判返工。这种漂移不会体现在抽检报表上，却会让客诉与返工成本持续发生。人工目检的问题不是“看不看得到”，而是“能不能一直用同一把尺子看”。把检验标准做成带图的限度样，比口头培训更有效。
看得见与看得准的差别
人眼对明显缺陷敏感，对微小尺寸变化、局部色差和位置偏移却不敏感。例如螺纹缺牙、密封圈轻微变形、字符轻微偏移，这类缺陷在流水线上停留时间短，人眼容易漏过。视觉检测的优势正在于稳定的光学条件与量化判据，能把“看着还行”变成可测量的数值，但前提是把缺陷定义清楚。限度样还要定期复核，材料或工艺变更后同步更新。
隐性成本怎么算
人工目检的成本不只是工资。培训周期、人员流动、复检工时、客诉赔付与返工物流，都要算进来。一条需要八名检验员的线，年综合成本往往远超一套视觉设备的折旧。反过来，视觉设备也有自己的成本：光学调试、模型维护、换型验证和备件。评估替代方案时要把两边都算全，而不是只比设备报价与人均工资。工业外观质检自动化方案通常会按工位拆解这些成本项，可作为测算起点。
二、AI视觉能做什么，不能做什么
规则缺陷与随机缺陷
尺寸、缺件、错件、装配方向这类规则缺陷，用传统算法加规则判据就能稳定处理，速度快、结论可解释。划痕、污渍、色差、毛刺这类随机缺陷，位置与形状都不固定，更适合用深度学习从样本中学习特征。实际项目往往是两类混用：规则项用算法卡尺寸，随机项用模型判外观，再把结果合并成一件产品的最终判定。
样本、标注与冷启动
深度学习依赖样本，冷启动阶段最常见的困境是“缺陷太少”。可行做法是先把良品样本采足，用异常检测建立基线，再逐步补充真实缺陷；同时用人工构造的方式模拟划伤、脏污等形态，但要避免过度合成，导致模型只认合成特征。标注要统一判定尺度，同一缺陷在不同标注员手里不能出现两种结论，否则模型学到的就是矛盾信息。AI视觉检测设备验收指南对样本集与标注质量有专门章节。
误判边界与人工复核
再好的模型也会有误判，关键是把误判控制在可接受范围，并设计复核机制。常见做法是把置信度处于中间区间的产品送人工复判，高置信度合格直接放行，高置信度不合格直接剔除。这样既守住漏检，又不让过杀率失控。复核工位要能看到原图与判定依据，否则复判就变成凭感觉，也无法反过来优化模型。复核结果按月统计，才能找出误判集中的缺陷类型。
三、落地必须解决的三件事
打光与光学方案
外观检测的上限由成像决定。划痕需要低角度光把凹凸打出阴影，色差需要漫射均匀光避免反光干扰，透明件则常用背光或同轴光突出轮廓。同一工位想兼顾所有缺陷，往往要多种光源分时切换。光学没调好，再强的模型也只能在噪声里找规律。视觉检测算法选型给出的判断顺序是：先定成像，再选算法，最后谈精度。
节拍与上下料
检测节拍要与产线匹配。单件成像、处理、判定、剔除加起来超过产线节拍，就会成为瓶颈。常见解决方式是多工位并行、分区成像或在运动中对位拍摄。上下料方式同样影响节拍：人工摆料稳定但慢，自动上料快但姿态随机，需要视觉先做定位再检测，等于把一套系统拆成定位与检测两级。
数据闭环与模型复训
模型上线不是终点。产线换批次、换供应商、换环境光，都会让数据分布发生变化，原本稳定的模型开始出现新的误判。规范做法是把每次人工复判的结果回传，形成误判样本池，按月评估是否需要复训。复训要有版本管理，新模型先在离线测试集上验证，再小批量上线观察，不能直接全量替换。复训频率按品种切换密度决定，换型越频繁越要缩短周期。
四、验收指标怎么定
漏检率与过杀率
漏检率决定风险，过杀率决定成本，两者要一起看。只考核漏检，供应商会把阈值调得极严，过杀率飙升，产线天天返工；只考核过杀，漏检又会失控。合理做法是按缺陷等级分别设指标：安全相关缺陷零容忍，外观轻微缺陷允许一定过杀。指标要写进合同，并约定抽检方法与样本量。
测试集如何构建
验收用的测试集不能由供应商单独提供，应由采购方从真实产线抽取，覆盖不同批次、不同供应商、不同光照时段，并按缺陷类型分层。测试集要包含足量良品，才能真实反映过杀率。样本数量按缺陷发生率倒推，稀有缺陷需要更多良品才能验证漏检水平，这一点在签约前就要谈清楚。
换型与稳定性
换型能力决定设备能不能长期用。验收时应要求现场演示一次换型：更换产品规格后，从调用配方到首件判定需要多久，是否需要重新采图与标定。稳定性则通过连续运行测试评估，例如连续八小时生产，统计误判率是否随时间上升。锂电池这类对安全要求高的产品，外观检测还要覆盖多面与极耳区域，可参考锂电池外观视觉检测全流程的工位划分。
五、投入产出与组织配套
人力如何重配
替代不等于减人，更多是岗位重配。原来八名检验员，可能变成两名复核员加一名设备维护，其余转到前道或包装。重配要提前做培训，让复核员理解判定逻辑，让维护员会做光源清洁与配方切换。若把人员直接调走却不培养维护能力，设备一出问题就停线，替代效果会迅速倒退。
成本测算
测算要包含设备、光学、机构、软件授权、安装调试与三年运维，再对比人工的综合成本与质量损失。很多项目失败不是技术不行，而是只算了设备价，没算换型与维护的隐性投入。建议按单件检测成本做对比，把折旧、能耗、维护与人工一起摊进去，结论才经得起复盘。
供应商能力评估
评估供应商要看三件事：有没有同类产品的现场案例、能不能提供光学与算法的联合调试、售后响应是否覆盖换型与复训。只卖硬件的供应商，在模型漂移时往往无法支持；只卖算法的供应商，又可能搞不定成像。能同时说清光学、机构与算法的团队，项目落地成功率明显更高。
常见问题解答
问：AI视觉能完全替代人工目检吗？
答：多数产线可以替代大部分规则与常见外观项，但边界样本仍需人工复核，完全无人化要按缺陷类型评估。
问：缺陷样本很少怎么办？
答：先用良品建立异常检测基线，再逐步补充真实样本，合成样本只能辅助，不能替代真实缺陷。
问：漏检率和过杀率怎么定？
答：按缺陷等级分级设定，安全项零容忍，轻微外观项允许一定过杀，并在合同中约定抽检方法。
问：换型一般要多久？
答：取决于配方化程度，规范设计的设备换型可在几十分钟内完成，需要重新标定的工位会更久。
问：光源需要经常调吗？
答：光源本身不需要频繁调整，但要定期清洁与检查衰减，换产品时按配方切换角度与亮度。
问：老设备能加装视觉吗？
答：可以，前提是有安装空间、稳定触发信号与可改造的剔除机构，改造前要先做成像验证。
结语
AI视觉检测替代人工目检，本质是把“凭经验看”变成“按判据判”，再用复核机制兜住边界情况。科迎法电气建议先选一条缺陷明确、节拍稳定的线做试点，把成像、样本与验收指标跑通，再逐步扩展工位。试点线的数据要留存，扩线时才有基线可比。替代的节奏取决于缺陷定义，而不是算法名气。需要了解不同工位的检测方案与现场案例，可在视觉检测设备资讯与案例中按产品类型查阅。
