AI视觉质检定制：小批量多品种产线的换型难题

小批量多品种产线做AI视觉质检，难点往往不在算法本身，而在换型。一个型号刚调好阈值，下一批就换了料号和光照条件，模型准确率立刻掉下来。 我们在几个机加工与装配类项目中总结出的可行做法有三点。第一，把检测项拆成稳定项和易变项：尺寸、缺件、错料这类几何特征用规则+轻量模型固定下来，表面划痕、色差这类受光照影响的项单独建模并允许按工位标定。第二，做小样本快速微调通道：产线换型时操作工只需采集20~50张新样本，系统在10分钟内完成增量训练并给出新旧模型的对比验证结果，避免整线停等。第三，把换型配置沉淀成模板，新料号导入时直接复用相近型号的参数，只改差异项，减少重复调试。 落地时要正视两个现实：一是数据标注必须由工艺人员参与，纯外包标注在缺陷定义上容易跑偏；二是要保留人工复核入口，尤其在新模型上线的前两批，复核数据反哺训练比一次性追求高准确率更划算。 对定制项目而言，交付的不只是模型，而是一套能让产线自己维护换型的流程。