过去提起 AI 视觉质检，多数工厂的态度是围观：参观过演示，拍过照，回去该人工目检还是人工目检。转折发生在最近一两年，随着标注工具成熟和边缘算力成本下降，不少企业发现缺陷样本的积累速度远超预期，原本不敢碰的复杂检测场景开始有了可行性。真正的问题不再是算法灵不灵，而是整套方案能不能在振动、油污和换班的环境里稳定跑下去。
在智能相机这条路上，康耐视的思路是把训练环节尽量前移到设备侧。其内置推理功能的视觉系统支持现场人员在工位上直接圈选缺陷区域、补充样本，不用把图片拖回办公室跑模型，一条新产线的检测程序往往几天就能上线。这种低门槛的迭代方式，特别适合缺陷形态不断变化的小批量多品种车间，也解释了为什么康耐视在消费电子和汽车零部件领域保持着很高的复购率。
当检测精度要求更高、视野更大时，智能相机就不够用了，方案会切换到工业相机加边缘控制器。Basler 相机以接口规范和 SDK 开放著称，搭配常见的 GPU 边缘盒即可承载复杂的深度学习模型，不少集成商把它作为 AI 检测工作站的标准配置。这一路线的代价是现场调试更重：光源、镜头、曝光参数都要针对产线节奏精调，好在一旦调通，检测节拍和稳定性都能压过人工目检一大截。
视觉之外，容易被忽略的是被检工件本身的到位信息。工装位置、有无来料、夹具状态，这些信号如果靠 PLC 单点轮询，会拖慢整套检测节拍。图尔克的 IO-Link 方案把到位传感器、光电开关的参数和诊断数据一并送回主站，视觉系统触发前就能确认工件姿态是否合格，减少无效拍摄。很多 AI 质检项目上线后误报率高，根因不在模型，而在这些前置信号没有理顺。
综合几家方案可以看出一个共同趋势：AI 质检正在从展示型项目变成标准工序，评价体系也从准确率单指标，转向准确率、节拍、误报处置成本的综合账。对工厂来说，合理的切入顺序是先选缺陷形态明确、样本容易获取的工位试点，把标注流程和数据回流机制跑顺，再逐步扩展。工具已经齐备，剩下的差距主要在现场工程化的耐心上。
另外，AI 质检上线之后的数据治理同样不能松懈。缺陷样本要按批次、材料、班次持续归档，模型要定期用新数据复核，防止产线工艺微调后准确率悄悄下滑。建议把模型复盘纳入月度质量例会，和 SPC 数据放在一起看，让算法输出真正参与质量决策。做到这一步，视觉质检才算从一台设备变成质量体系的一部分，投入才有了完整的回报闭环。
