AI视觉质检定制：小样本缺陷标注与产线节拍匹配

在产线做 AI 视觉质检定制，项目失败多数不是模型不行，而是需求定义阶段就偏了。客户常给一批合格品和少量不良品，期望一周上线、准确率 99%，但真正决定成败的是缺陷定义、标注策略和节拍算力匹配。 - 缺陷定义要写到可判定。把“划痕”拆成“长度≥0.3mm 且轮廓对比可辨”这类可量测条目，并约定边界样本怎么判。否则标注员与质检员各判一半，模型学到的只是噪声。这一步通常花掉整个项目三分之一的时间，但能省掉后期反复返工。 - 小样本先用异常检测过渡。样本不足 50 张时，用正常样本训练异常检测模型，先筛出“疑似”，人工复核后积累数据，两周到一个月再迭代成有监督分类，比一上来直接训练分类器稳定得多。 硬件与节拍要一起算：0.5 秒/件的节拍，200 万像素相机配轻量模型足够；若缺陷小于 0.05mm，就得上远心镜头和更高分辨率，推理耗时翻倍，此时常用“高分辨率采集+局部裁剪推理”或边缘算力盒来补。上线阶段建议新旧方式并行 2~4 周，只报警不拦截，统计漏检误检后再接入剔除机构，这是降低产线抵触最有效的一步。