产线边上架了工业相机，电脑里装了检测软件，项目会上说好三个月上线，结果验收日期一拖再拖，系统还在"测试中"。AI视觉质检落地难，难的不是算法——多数项目卡在下面这三件事上，一件没做完就上不了线。
第一卡是样本。深度学习质检的本质，是拿大量缺陷图片教会模型什么是坏品：每种缺陷类型攒到几百张合格样本，模型才谈得上稳定。以得利捷的MX-G2000机器视觉系统为例，它内置PEKAT Vision的深度学习技术做缺陷检测与分类，能在复杂背景里识别产品异常，但再好的模型也喂不出现场没有的样本。项目启动前先盘一下历史缺陷图库存，不够就得安排产线留样期，把攒样本的时间提前排进项目计划，而不是上线前才发现没米下锅。
第二卡是光照。反光、油污、打光角度变化，会让同一个缺陷在镜头里判若两物，模型自然失灵。饮料瓶盖位置和标签对齐这类任务之所以好落地，就是因为场景收敛：得利捷的Smart-VS视觉传感器用内置人工智能模块专门验证瓶盖定位和标签对齐，检测对象固定、特征明确、打光可控。反过来说，如果你的检测对象反光严重、形态多变，先把光源方案做扎实——加挡光罩、固定工位背景、稳定打光角度，比换算法管用得多。
第三卡是闭环。发现缺陷只是第一步，剔除机构怎么接、复检谁来做、检测数据怎么留痕，这些环节不打通，AI只算一个高级报警器，操作工很快就不看它的界面了。另外别忽略读码环节：得利捷的Matrix 220 XAI条码阅读器用AI增强解码，直接零部件标识码、反光、损坏和低对比度表面都能读，检测记录能跟产品序列号绑定，追溯链才算闭合，质检数据也才有复盘价值。
组织上也要有安排：质检标准谁来定、模型谁来重训、误判品谁来仲裁，这三个角色项目启动时就要落到人头上，落在生产、质量还是设备部门都可以，但不能悬空。见过不少项目，算法团队撤场之后没人会调参，光照一变模型就漂，攒了半年的数据白白浪费。交付时留一份标注规范和训练记录，后续维护才有抓手。
给三步走的建议：先选一个工位、一种缺陷类型把闭环完整跑通，别一上来铺十几个相机；样本攒够再扩缺陷类型和工位；每季度复核一次误报率和漏检率，光照变了、产品换型了模型就要重训，装完不管的质检系统半年就退化。三个月上线的目标，应该拆成三个月跑通一个工位，项目才能按时交卷。
