- 相机只擅长检出“看得清楚”的瑕疵。如果连两个人的判定都对不上，系统同样会无所适从。
- 先想清楚：放过一件不良品代价更高，还是错扔一件良品代价更高。两种情况的判定标准定法不同。
- 最值得追求的目标，是查明不良品产生的原因，让它越来越少，这比提高挑拣能力划算得多。
选择图像真正判断得了的缺陷
在讨论相机或模型之前，先做一个简单测试：拿十个工件，让两名质检员（QC）分别判定。如果连两个人给出的答案都不一致，系统同样会无所适从，因为系统正是从人的判定中学习的。
从这样的缺陷入手：看得见，影响明确，出现频率足以收集样本，相机安装位置也可控。明确判定单位是一个点、一个工件、一箱还是一个批次（Lot），并规定尺寸、位置和严重程度的标准。如果两名检验员意见不一，先统一判定尺度（Calibration），再训练模型。
为漏检（False Accept）和过检（False Reject）建立成本矩阵（Cost Matrix）。不良品流到客户手里，代价可能是复检的好几倍，所以判定阈值要按每类缺陷的成本和风险来定，不能只看整体准确率（Accuracy）。
相机系统和模型同样重要
很多项目失败，是因为下午光线变了，或者工件没有摆在原来的位置，模型不够聪明反倒很少是原因。图像不稳定，系统再强也会判错。
写给开发团队 · 技术细节
按产线实际速度测试镜头、工作距离、对焦、光源、触发和工件运动。用夹具（Fixture）减少与缺陷无关的旋转和阴影。反光工件可能需要漫射光（Diffuse）或偏振光（Polarized Light）。在源头把图像拍好，通常比让模型去学不必要的变化更划算。
写给开发团队 · 技术细节
从多个批次、班次、供应商以及换型（Changeover）前后采集良品（Good）、可接受的正常差异（Acceptable Variation）和缺陷样本。测试集按批次或时间划分，不要随机抽取连拍的图像，否则相似度会高得不真实。建立由 QC 审批并锁定的黄金样本集（Golden Set），每个版本都拿它来比对。
| 随图像保存的信息 | 用途 |
|---|---|
| SKU/序列号/批次 | 追溯到具体产品 |
| 时间/产线/班次 | 发现现场的规律 |
| 机台/模穴 | 关联根本原因 |
| 判定结果和检验员 | 审核并修正标注 |
不让 QC 重复劳动的人工把关（Human-in-the-loop）
在影子模式（Shadow Mode）阶段，AI 与 QC 同时判定，但不剔除任何产品。到了辅助模式（Assisted）阶段，AI 放行有把握的工件，把存疑的图像连同缺陷位置交给人检查。界面上必须显示原始图像、发现缺陷的位置、缺陷类型和置信度（Confidence）。检验员可以填写理由推翻 AI 的判定（Override），但这些反馈要先经过复核，才能用于训练。
按故障安全（Fail-safe）原则设计：相机断电、图像模糊或边缘设备（Edge Device）响应变慢时，系统必须发出警报，并切回原来的检验方式，不能把这种情况当成“未发现缺陷”。检测结果与剔除机构（Reject Mechanism）之间的连接要能测试，并设置联锁（Interlock），防止在错误的位置剔除。
启用自动剔除（Automated Reject）前的关卡
- 通过黄金样本集测试，并在实际产线的多种工况下通过验证
- 漏检率低于风险上限
- 能从图像追溯到工件和判定结果
- 系统异常时有人工检验兜底
- 操作员和 QC 看得懂警报，也会人工改判
从挑出不良品，到减少不良品产生
写给开发团队 · 技术细节
把检测结果与工艺参数、工装、模穴、供应商和维护记录关联起来。每天做帕累托分析（Pareto），看哪类缺陷在调机或换批次之后增多。如果 AI 只在产线末端挑出不良品，检验成本也许会降，报废却不会减少。下一步要做的，是向工艺工程师（Process Engineer）预警趋势，让他们从根源上解决问题。
写给开发团队 · 技术细节
跟踪缺陷流出（Defect Escape）、过检、报废、返工、检验时间、客户索赔和单位良品成本（Cost per Good Unit）。光源、相机、包装、SKU 或原材料发生变化时，检查模型是否出现漂移（Drift）。每次更换模型都要有版本号、测试、审批和回滚方案。
所以，好的视觉系统要嵌在质量体系（Quality System）里运作，单独一台相机撑不起来。它让缺陷数据更细、来得更快，但对标准、根本原因和客户负责的，仍然是企业自己。
QUALITY TIP · 只看准确率不够
用成本的眼光看混淆矩阵（Confusion Matrix）
漏检就是不良品流了出去，过检就是把良品扣下或扔掉，两者的代价并不相同。请质量部门和财务部门给每种情况标上成本，再按实际风险选定阈值（Threshold），别去挑让准确率看起来最高的那个值。
Golden 50
挑出 QC 争议最大的 50 张难判图像，商定每张的标注（Label）和理由，单独存成一组，禁止用于训练，每个版本都拿它测试。简单的图像只能说明模型跑得通；处在边界上的图像，才能看出系统对标准的理解是否与业务一致。
提示：先把 AI 没把握的图像推给 QC，再推置信度高的。这样人的时间花在刀刃上，收集到的样本对改进系统也更有价值。
从知识到真正能解决问题的系统
问题的根源
在实验室里很准的视觉 AI（Vision AI），还算不上质量体系。光源、缺陷标准、分拣和可追溯性必须协同运作。
分步解决方案
- 建立缺陷分类体系（Defect Taxonomy），以及漏检和过检的成本矩阵
- 设计成像工位（Imaging Station），用多个批次和班次的图像建立黄金样本集
- 按影子模式 → 辅助模式 → 自动模式逐步试行，同时做好故障安全和变更控制（Change Control）
把相机的检测结果接入质量体系，别让模型孤零零地运行
什么算缺陷、多大范围可以接受、哪种错误后果严重，由客户的质量部门来定。DNA Maker 帮助把这些标准转成数据与复核工作流，系统地保存图像、标注、判定理由和产品背景。我们帮忙设计操作体验：让 QC 先看到最该检查的图像，能方便地修改判定，也能从结果追溯到批次或工件。我们不会声称单凭准确率就能回答所有质量问题。
我们可以开发标注与复核 Web 应用、追溯仪表盘、移动端 QC 工具，并把视觉模型、边缘设备、剔除机构和现有业务系统集成起来，同时配好版本管理、黄金样本集和漂移监控。DNA Maker 可以从梳理应用场景（Use Case）、制作界面原型、设计架构、开发软件，一直做到引入 AI 智能体（AI Agent）汇总缺陷趋势，供您的团队进一步分析。如果您手上已经有图像和检验标准，只是还不知道怎样搭成一套系统，我们可以和您的质量团队、工程团队一起，建立可衡量、对生产安全的流程。
SOFTWARE ENGINEERING GLOSSARY
软件工程术语表
这张表用不着背。它的用处是让管理层、工作负责人和开发团队沟通时，对同一个词不会有两种理解。请把释义、示例和右侧的问题一起看，这些问题常常能在开发开始之前，把隐藏的范围、风险和成本揭示出来。
| 术语 | 是什么 | 通俗示例 | 高管应问开发团队的问题 |
|---|---|---|---|
| Computer Vision | 分析图像或视频的 AI | 检查工件上的划痕 | 真实的光照、角度和产线速度测试过了吗？ |
| Label | 附在图像上的标准答案，用来训练和测试模型 | 把图像标为 Good 或 Scratch | 检验员之间的判定有多一致？标错的标注怎么修正？ |
| Confidence Score | 模型对自己判定的把握程度 | 分数低的图像转给 QC 检查 | 哪个分数段要转给人检查？依据是什么？ |
| Traceability | 从结果反查到具体工件的能力 | 用序列号和批次查找图像 | 需要从结果追溯到哪些数据？ |
| Model Drift | 现场条件变化后，模型质量随之下降 | 新的光照条件或包装让结果出现偏差 | 哪些情况需要重新测试或重新训练？ |