AI 视觉与传统机器视觉：根据失效模式选择

要点：如果一个稳定、可测量的特征就能把合格件和不合格件区分开，请使用基于规则的视觉。如果真实存在的变化让精心设计的规则也无法胜任，而您又有具有代表性的已标注图像，可以考虑学习型（AI）视觉。应当根据两种方法各自的失效方式来决定，而不是看哪一种更新。

先看图像，再看算法

照明角度、曝光、镜头畸变、景深、运动模糊和夹具的重复精度，决定了像素能够呈现什么。无论是传统算法还是神经网络，都无法还原传感器从未采集到的细节。因此应先把光学方案固定下来，并让质量工程师借助极限样件就“什么算缺陷”达成一致，然后再比较软件。如果两名检验员对同一个工件的判定不一致，用他们的标注训练出来的模型也会继承这种分歧。

规则的强项，以及它如何失效

基于规则的工具测量的是明确的量：一条边缘的位置、一个区域的面积、标定几何条件下的一段距离、一个能否读出的码。因此，有无检测、尺寸测量、基于高对比度特征的对位和读码都是确定性的，也是可解释的。工件被剔除时，测量值和限值就能说明原因。当特征不再稳定时，规则就会失效：表面处理不同、出现反光，或者新供应商的材料纹理不同，都会使阈值偏移，而且必须有人手动重新调整。

学习型模型的用处，以及它的代价

经过训练的分类或分割模型，是从样本中学习合格与不合格各是什么样子。这对纹理类或外观类缺陷以及多变的背景很有帮助，因为这些情况很难写成规则。代价是另一类工作：采集并标注图像、管理模型版本，以及在生产发生变化时监控漂移。学习型模型的失效方式也不同。面对与训练数据完全不同的图像，它仍可能给出置信度很高的结果，而且单次判定背后的原因更难看懂。

两类错误要分开衡量

误接收会让缺陷件流出；误剔除则会让合格件报废或返工。两者的成本不同，所以应当分开报告，并按缺陷类别分别报告，而不是只给出一个准确率数字。应把完整的工件系列、批次或生产时段留作测试数据，避免用与训练图像几乎相同的图像给模型打分。NIST 的《人工智能风险管理框架》对任何 AI 系统都提出了同样的一般性观点：性能应当在与部署环境相似的条件下得到证明，系统应当在部署前进行测试，并在运行期间定期测试。还应在产线负荷下测量推理时间，因为决定节拍的是最坏情况。

规划后备方案和变更流程

请确定谁负责阈值、谁批准新的模型版本，以及图像保存多长时间。还要规定相机断开、光学部件变脏或置信度偏低时工位该怎么做；通常的做法是把工件转到人工检验。两种方法也可以组合使用：用规则检查有无和尺寸，用学习型模型检查表面外观。分类器的输出不是经过验证的安全功能，不得当作安全功能使用。

确定预算或范围之前的检查清单

• 合格件和每一类缺陷的代表性图像，以及质量部门认可的极限样件。
• 照明和夹具在不同班次、不同批次之间保持稳定的证据。
• 按缺陷类别统计的误接收率和误剔除率，并在留出的数据上测得。
• 在产线条件下测得的最坏情况推理时间。
• 针对置信度偏低、镜头变脏或相机丢失的明确后备方案。
• 阈值、模型版本和漂移监控各有指定的负责人。

本指南不能确定的内容

本指南是一份规划辅助材料。它不报告测试结果，不比较产品，也不预测任何系统在您的工件上的检出率；检出率只能在您的产线上用您的图像来测量。为安全决策或合规决策提供依据的检测，需要由具备相应资质的各方另行验证。

资料来源与进一步核实

• NIST — AI Risk Management Framework (AI RMF 1.0), Core: Govern, Map, Measure, Manage（2023 年版框架；NIST 说明修订工作正在进行；访问日期 2026-10-12）。
• Association for Advancing Automation (A3) — What Every Machine Vision User Should Know About Lighting（页面所列日期为 2002-02-12；关于照明的背景阅读材料；访问日期 2026-10-11）。

下一步建议

请带上合格件和缺陷件的样本图像、您的缺陷定义、产线速度以及您已有的检测结果，前往机器人与自动化页面。AYXWORKS 作品集展示了这些指南背后的工程方法。后续的任何项目都通过 Eurobots/ReBots 确定范围并交付，而且从可行性和责任边界开始，而不是预设一个交钥匙安装项目。