AI 视觉质检在小批量场景真的可行吗？
小批量、多品种、频繁换线的车间，最常见的疑问是：样本太少，AI 视觉质检还能用吗？这篇讲清楚能力边界、需要多少样本、上线周期多长，以及哪些情况下不该上。
先说结论
- 小批量可行，但前提是**产线相对固定 + 缺陷类型可固定 + 节拍允许拍照**
- 样本：表面缺陷每类 100-300 张，尺寸公差类视觉解决不了
- 上线 2-4 周，其中样本采集占一半以上
- 定位成「帮质检员减负」比「替代质检员」更容易落地
先说结论：可行，但有三个前提
前提一：产线相对固定
AI 视觉质检的前提是「同一个工位、同类产品、重复生产」。如果车间一天换三种产品、三条线各做各的，样本摊薄会让每个模型都训不好。**频繁换型的产线，先解决换型问题比上 AI 更划算。**
前提二：缺陷类型可以固定
适合的：表面划伤、油污、脏点、毛刺、缺料、错件、字符识别。不适合的：尺寸公差（需要量具）、装配扭矩、隐蔽内部缺陷、多角度装配判断。**前者是「看起来不一样」，后者是「量出来不一样」——只有前者适合视觉。**
前提三：单件节拍允许拍照
常见做法是在产线侧装工业相机，拍完在边缘工控机上判定，不走云端。节拍 2-8 秒的产线基本无压力；如果是 0.5 秒以内的高速线，需要评估是否只能做抽检。
样本需求与训练成本
| 缺陷类型 | 建议单类样本 | 采集难度 | 备注 |
|---|
| 表面划伤 / 脏污 / 毛刺 | 100-300 张 | 低 | 产线实拍即可，同一角度 |
| 缺料 / 漏装 / 错件 | 100-200 张 | 低 | 可结合重量感应交叉验证 |
| 字符 / 批次码识别 | 50-100 张 | 低 | 样本需求最低，OCR 效果最稳 |
| 多角度装配判断 | 500+ 张 | 高 | 需多工位相机，成本高 |
| 尺寸公差 | 不适用 | — | 应用量具，不建议用视觉 |
上线周期拆解
- **第 1 周**：现场勘查，确定检测点位、相机安装位置、光源方案
- **第 1-2 周**：采集样本。这是最耗时的一步，受产线生产计划制约
- **第 2 周**：模型训练与离线验证，目标是先在历史数据上达到可接受水平
- **第 3-4 周**：产线部署、联调、跑合验证，边生产边调阈值
所以真实的交付周期是 2-4 周，其中样本采集占了一半以上。如果客户要求一周上线，通常意味着要降低样本标准，效果会打折。
三种路线的取舍
| 路线 | 适合场景 | 投入 | 效果上限 |
|---|
| 规则 + 传统视觉 | 缺陷规则明确、产线稳定 | 低 | 中 |
| 小样本学习（推荐） | 同类产品、产线较固定 | 中 | 高 |
| 异常检测（只判好坏） | 缺陷类型多、不好分类 | 中 | 中 |
什么时候不该上
- **产线每天换型**——样本摊薄，训不出稳定模型
- **缺陷种类超过 10 种且持续新增**——维护成本失控
- **需要检测尺寸公差或扭矩**——工具选错了，视觉解决不了
- **节拍低于 0.5 秒**——物理上拍不过来
最常见的失败原因：客户期望「AI 质检 100% 代替人工」。现实是 AI 定位在高频、明确、易漏的缺陷上，复杂判断仍需人工复核。把它定位成「帮质检员减负」比「替代质检员」更容易落地。
常见问题
小批量场景 AI 视觉质检准确率能到多少？
取决于缺陷类型和产线稳定性。划伤、脏污、毛刺这类表面缺陷，在样本充足时单类准确率通常能到 95% 以上；但如果是尺寸公差、装配错位这类需要多角度判断的，准确率会明显下降。关键变量是产线是否固定——同一个工位看同一类产品，是小样本学习能成立的���本前提。
需要多少样本才能上线？
常见做法是每类缺陷 100-300 张实拍图，加 500-1000 张正常品图做负样本。如果产线一天换 3 种产品，每种都要重新采图，样本成本会失控。这种情况下更划算的路线是先做「异常检测」（只判断好/坏，不分类），或者干脆先用规则+人工。
上线周期多久？
样本采集占大头。数据齐了以后，模型训练通常 1-3 天，产线部署与调试 3-7 天，整条线跑通大约 2-4 周。如果需要跨多条产线，每条线都要单独采图和调试，时间要乘以产线数。
换型时要重新训练吗？
不一定要。少样本学习的做法是保留一个基础模型，新产品只需要补充少量样本做微调，通常几十张图、几小时就能适配。但如果新产品的材质、表面工艺完全不同（比如从金属换成注塑件），基本要重训。
关于本文本文为技术方案说明，面向自动化厂、模具厂等中小制造企业（典型规模 30-200 人）。文中周期与成本为单厂基础范围的工程估算，随产线数量、设备接入数与部署方式变化。本文不涉及具体客户案例。本公司为烟台光弘铭科技有限公司。
企业微信