检测对象可定义
把产品、零件、外观缺陷、装配关系或视频动作转成清晰的检查对象和分类。
CV QUALITY INSPECTION · AI VISION
CV 质检解决方案让质量检查更清晰、可复核、可追溯
CV 质检将机器视觉、图像识别和视频分析引入质量管理流程，帮助企业发现外观缺陷、装配异常、设备状态变化和作业过程线索。系统把视觉结果与质量规则、复核机制和业务记录连接起来，辅助现场团队更一致地检查和处置。
从质量标准定义开始支持人工复核与证据留存按现场试点确定适用范围
Inspection workflow
视觉质检工作台示意
图像 / 视频
工位相机 · 检测工序 · 视频片段
视觉分析
对象识别 · 缺陷线索 · 规则比对
结果进入质量复核与处置闭环
符合规则待人工确认异常处置
示意流程仅用于说明 CV 质检的业务链路，具体判定规则和状态由项目需求定义。
CV QUALITY INSPECTION OVERVIEW
什么是 CV 质检？从视觉识别到质量管理闭环
CV 质检（计算机视觉质检）是将图像或视频中的可观察信息转化为检测线索，再与企业的质量标准和处置流程结合。它不是孤立的模型，而是一套包含成像、数据、规则、复核和持续改进的质量工作机制。
质量规则可执行
结合产品规范、工艺要求、检查频次和缺陷等级，定义识别结果如何进入判定流程。
结果过程可追溯
将检测时间、设备、样本、模型版本、结果和复核意见关联，便于质量复盘。
CV 质检与传统规则检测如何协同？
尺寸、位置、颜色或字符等有明确规则的任务，可以评估传统图像处理与机器学习方法；外观变化大、类别复杂或背景多变的任务，可以评估深度学习视觉模型。实际系统通常需要把相机与光源、模型输出、工艺规则和人工复核组合起来，并按现场样本验证边界。
QUALITY INSPECTION CHALLENGES
行业痛点：质量检查的挑战不只在“看见缺陷”
许多企业已经有质检标准和设备，但标准执行、过程证据、异常分流与跨工序复盘仍可能断开。CV 质检需要解决的是从现场画面到业务处置的完整链路。
01 / PAIN POINT
检验依赖个人经验
不同班次、人员和工厂对外观边界的理解可能不一致。
增加复判与质量争议，检查口径难以稳定传递。
02 / PAIN POINT
抽检覆盖存在限制
高节拍生产、长时间巡检和重复检查容易受到人力与注意力影响。
部分缺陷可能未及时发现，问题定位依赖后续抽查。
03 / PAIN POINT
缺陷证据与处置脱节
图片、批次、工位、工艺版本和处置记录分散在不同环节。
复盘耗时，难以快速比较缺陷变化和追踪整改结果。
04 / PAIN POINT
现场条件持续变化
光照、视角、材料批次、设备状态和产品版本变化影响成像。
实验室结果不一定代表真实产线，模型需持续验证。
常见目标包括统一检查口径、提高视觉检查过程的可追溯性、让异常更易定位，并使模型与现场变化保持同步。具体优先级应根据企业现有缺陷数据和质量损失情况排序。
CV QUALITY INSPECTION SOLUTION
解决方案：以质量标准为核心，构建视觉质检闭环
从业务问题和质量风险出发，联合质量、工艺、产线、设备与 IT 团队，依次完成标准梳理、成像验证、模型评估、流程集成和运行治理。
解决方案 01
建立可执行的质量标准
整理检测对象、缺陷分类、严重等级、产品规格和允许边界，形成可审核的规则基线。
交付：检查项、标注口径与适用范围
解决方案 02
改善采集与成像
根据目标尺寸、材质、反光和产线速度评估相机、镜头、光源、触发和安装方式。
交付：成像验证结果与设备建议
解决方案 03
组合模型与业务规则
按任务选用检测、分类、分割、OCR、几何测量或视频分析，再用质量规则形成待审核结果。
交付：视觉任务配置与判定链路
解决方案 04
连接复核和质量系统
将原图、检测结果、工单或批次信息送入工作台，让人员复核后再按权限处置和归档。
交付：复核闭环、接口和追溯记录
异常结果如何进入处置闭环
根据企业质量流程，可将结果分为符合规则、待确认、图像质量不足或疑似异常等状态。低置信度、未知类别和系统异常不应自动默认为合格；应按预先约定的复核、补采、隔离或升级流程处理。
CV INSPECTION TASKS
CV 质检可以检查哪些视觉问题？
先根据质量目标确定任务，再匹配检测、分类、分割、OCR、定位或视频分析方法。以下方向是可评估的常见任务，实际能力取决于样本、成像和验收标准。
外观与表面缺陷
评估划痕、裂纹、污渍、缺损、变形等可视化问题，保留定位图片与类别线索。
部件、装配与状态
检查物料有无、装配位置、部件状态或产品类别，按工艺和产品版本配置规则。
字符、标签与仪表
结合 OCR 与视觉定位，辅助读取标签、标识和仪表信息，并按业务规则进行复核。
尺寸、位置与几何特征
结合相机标定、成像方案和现场基准，评估尺寸或位置测量的可行性与误差边界。
设备与现场巡检
从固定相机、移动终端或巡检设备图像中筛查可见状态变化，关联设备台账和检查记录。
视频流程与作业核验
结合连续帧、姿态或事件分析，整理作业步骤与动作证据，提示需人工回看的片段。
对于颜色、光泽、纹理、透明材质、微小缺陷等难点，应在项目初期开展专项成像评估；对于复杂上下文判断，系统应展示原始证据并允许质检人员复核。
CV QUALITY INSPECTION ALGORITHMS
模型算法：按质检任务选择视觉方法，而非套用单一模型
CV 质检可以组合目标检测、分类、分割、OCR、几何测量、异常检测与视频时序分析。下表是候选算法方向示意，不代表所有任务均适用或默认部署；具体选型需结合数据、硬件、授权和现场验证。
目标检测
YOLO 系列、RT-DETR 等检测器路线（按项目评估）
定位缺陷、部件、人员或安全装备，输出类别与位置框。
小目标、密集目标、类别长尾和产线速度需要单独验证。
图像分类
CNN 与 Vision Transformer 等分类模型路线
对整图或裁剪区域判断产品类别、外观状态或缺陷类型。
需避免背景、批次或拍摄条件成为错误的分类依据。
缺陷分割
U-Net、Mask R-CNN 等分割方法路线
输出缺陷区域轮廓，适合需要观察形状、面积或边界的任务。
细微边缘、像素级标注质量和成像分辨率会影响结果。
OCR 与视觉定位
OCR 识别、几何标定、模板或特征匹配
辅助读取字符标签、仪表信息及测量规则明确的位置特征。
字体、反光、倾斜、遮挡和标定误差需要纳入现场测试。
无监督异常筛查
PatchCore、PaDiM 等异常检测路线（需适配性评估）
在缺陷样本少、正常样本较多时，辅助发现偏离正常外观的候选区域。
异常分数不是质量结论；需验证误报并建立人工复核标准。
视频动作与时序
姿态关键点、目标跟踪与时序动作识别组合
分析步骤先后、人员动作片段和视频事件，适用于过程类检查。
遮挡、镜头角度、多人交互和时间上下文可能限制可判定性。
数据准备
样本需覆盖合格品、主要缺陷、边界样本、产品变化和现场环境变化；标注口径应由质量负责人确认。
训练与验证
训练集、调参集和独立验证集需合理隔离，避免相邻帧、同一工件或重复图像造成结果偏乐观。
部署与运营
根据吞吐、时延、硬件、隐私和运维约束选部署方案；模型或工艺变更后按风险执行复测。
INDUSTRY APPLICATIONS
覆盖制造、能源、工程与物流的 CV 质检场景
CV 质检适用于目标可见、标准可定义、结果可验证的场景。行业落地时应按工艺差异、质量风险和现场设备条件配置流程，不假设不同产线可以直接复用同一模型。
行业方向CV 质检示例落地关注点
离散制造与装配
零部件外观、缺件错装、装配方向、包装与标签核验
按产品型号、工艺版本和缺陷等级建立检测规则。
电子与精密加工
焊点、表面瑕疵、元器件位置、加工结果外观筛查
结合成像倍率、光源、分辨率和细微缺陷样本验证。
能源与设备运维
设备外观、仪表读数、通道异物、巡检点状态记录
需确认拍摄距离、设备台账和环境光照条件。
工程与高风险作业
PPE 穿戴、作业区域、关键动作和 SOP 视频步骤证据
视觉判断用于提示与复核，不取代现场安全管理责任。
物流与包装
包裹外观、条码标签、包装完整性和分拣信息
尺寸测量、速度及设备联动需按标定和产线测试确定。
关注作业视频、动作标准与 SOP 流程质检？
了解 CV 视觉如何辅助安全培训、岗位实操考评和高危作业复核。
TYPICAL CV INSPECTION SCENARIOS
典型场景：从外观缺陷到流程与视频质检
不同现场的检查对象和判定规则不同。典型场景用于帮助梳理业务问题和试点切入点，不能替代对样本、相机和现场流程的专项评估。
来料与零部件外观质检
- 检查对象
- 板材、铸件、注塑件、零部件及原材料表面
- 检查内容
- 划痕、裂纹、缺损、污渍、变形或表面状态筛查
- 建议流程
- 图像采集 → 缺陷定位 → 质量员确认 → 批次与供应商记录
装配与工序防错
- 检查对象
- 装配工位、产品组件、紧固件与工序步骤
- 检查内容
- 部件有无、位置方向、工序完成状态或可视化装配异常
- 建议流程
- 工位触发 → 组件检查 → 规则核对 → 异常提醒与复核
精密加工与电子制造
- 检查对象
- 焊点、元器件、加工面、精密部件和产品标识
- 检查内容
- 焊接外观、位置偏差、字符标签及可视化加工缺陷
- 建议流程
- 专用成像 → 分类 / 定位 → 与工单型号关联 → 复核归档
能源设备巡检
- 检查对象
- 配电柜、管线、设备表面、仪表及巡检通道
- 检查内容
- 设备外观状态、表计信息、异物和检查点留痕
- 建议流程
- 巡检采集 → 设备关联 → 异常线索提示 → 工单处置回写
视频 SOP 与安全作业质检
- 检查对象
- 实训视频、岗位操作和经授权的作业过程视频
- 检查内容
- PPE 穿戴、步骤完成、关键动作和流程顺序线索
- 建议流程
- 标准审核 → 视频证据定位 → 专业人员复核 → 培训或整改闭环
包装与出货检查
- 检查对象
- 外包装、标签、条码、封装状态和物流载具
- 检查内容
- 包装破损、标签错漏、条码读取和包装状态核验
- 建议流程
- 批次触发 → 外观与字符检测 → 出货规则核对 → 记录留存
CV QUALITY INSPECTION CASES
典型案例：从试点验证到可复用的质量闭环
以下为基于常见质检任务整理的场景实践示例，用于说明切入方式和成功判定维度；不是已公开客户项目或已实现的量化业绩。
装配工位：缺件与方向检查
01现场挑战
多个产品型号共线，人工目视检查点多，工位记录分散。
建议实施路径
先选择一个代表型号与固定视角，建立部件有无和方向检查清单；把检测图像与工单型号关联，低置信度或型号不匹配时转人工。
成功判定口径
按型号分层验证漏检、误报、误分流、工位节拍和复核记录完整度。
表面质检：缺陷定位与复判
02现场挑战
缺陷外观存在差异，边缘样本和表面反光导致判定分歧。
建议实施路径
统一缺陷定义和严重等级，评估多种光源及相机角度；系统输出候选区域和原始图像，由质检员确认边界样本。
成功判定口径
按缺陷类别比较检出、漏检、误报和复判一致性，并验证不同批次与环境下的适用范围。
设备巡检：异常线索与处置追溯
03现场挑战
巡检照片难以按设备、点位和时间归档，问题复查缺少统一过程记录。
建议实施路径
把采集任务关联设备台账和巡检点，识别可见状态变化并附带图像证据，确认后再进入企业既有工单流程。
成功判定口径
核验设备关联正确率、证据可回看、告警处置状态和复查记录，不以模型输出直接替代设备结论。
真实成功案例需经客户授权后披露，并补充项目范围、实施周期、验证样本、验收口径、基线与结果。当前页面不提供未经核验的客户名称、准确率、效率提升或成本节约数字；项目成效以双方验收记录为准。
INSPECTION WORKFLOW
CV 质检工作流程：采集、识别、复核、处置
把视觉检测嵌入质量过程，而不是停留在模型演示。明确每一步的输入、责任角色和输出结果，才能让检测线索进入日常质量管理。
采集与触发
相机或视频按工位、产品、批次或巡检任务采集图像。
图像质量检查
检查清晰度、视角、曝光和目标完整性，不满足条件时提示补采或转人工。
模型视觉分析
针对已配置任务输出缺陷类别、位置、置信度或过程事件线索。
规则判定与复核
按质量标准形成待确认结果，质检员复核异常、边界及低置信度样本。
处置与质量追溯
记录判定依据、证据图像、批次和处置结果，用于复盘和质量改进。
CV QUALITY BUSINESS BLUEPRINT
业务蓝图：标准、算法、质检人员与质量运营协同
CV 质检的业务蓝图不仅包含识别模型，还包括标准治理、现场采集、异常复核和质量改进。每个环节明确责任人与交付物，才能让检测结果进入企业既有的质量体系。
阶段 01
质量目标与标准
定义缺陷、风险等级、检查范围、验收口径与人工兜底规则。
责任角色：质量 / 工艺负责人
阶段 02
现场采集与数据
提供代表性图像，验证相机布置、照明、触发、节拍和数据授权。
责任角色：设备 / 产线团队
阶段 03
视觉分析与规则
维护样本标注、模型版本、阈值、产品规格和异常分流策略。
责任角色：算法 / IT 团队
阶段 04
人工复核与处置
查看证据，确认边界样本，按业务授权执行隔离、返工或升级处理。
责任角色：质检 / 班组人员
阶段 05
复盘与持续改进
分析误报漏报、质量趋势和变更影响，安排复测并更新标准。
责任角色：质量管理团队
输入
质量规范 · 样本图片 / 视频 · 工艺与产品信息 · 设备及网络约束
协同
质量负责人定义标准 · 算法团队验证任务 · IT / 设备团队集成 · 一线人员复核
输出
检测结果与证据 · 人工确认记录 · 处置状态 · 缺陷趋势与复测结论
CV QUALITY INSPECTION VALUE
方案价值：把视觉检查能力转化为可管理的质量过程
价值不是单一模型分数，而是视觉结果在现场流程中的实际作用。建议从企业已有基线出发，衡量质量一致性、复核成本、追溯完整性和异常闭环情况。
质量口径更一致
将经验型检查要求转为可复核的分类、标准和工作步骤，帮助多班次协同。
关注：复判一致性与标准覆盖
异常定位更清楚
在检测结果中关联图像位置、时间、工位或批次线索，支持质量人员回看证据。
关注：异常定位与追溯完整度
检验流程更可管理
按规则分流符合项、异常项和低置信度样本，把人工复核安排到需要判断的环节。
关注：复核负担与处置闭环
改善过程有数据依据
沉淀缺陷分布、工艺版本、处理结果和复测记录，为质量改进讨论提供依据。
关注：质量趋势与整改复测
以上为可用于项目评估的价值维度，不是已实现的效果承诺。节拍、成本、质量损失和人工投入变化需结合企业基线及试点结果测算。
CV QUALITY SYSTEM ARCHITECTURE
CV 质检系统架构：连接现场设备、模型与质量流程
架构按业务需要组合。边缘端适合评估现场响应、网络和数据留存要求；云端适合集中管理与弹性处理；混合方式则需要明确数据流、故障降级和运维边界。
LAYER 01
采集层
工业相机 · 现有视频 · 移动采集 · 传感器
LAYER 02
视觉分析层
检测 · 分类 · 分割 · OCR · 跟踪 · 视频事件
LAYER 03
质量规则层
产品标准 · 工艺规则 · 缺陷等级 · 复核阈值
LAYER 04
业务闭环层
告警 · 人工复核 · 处置 · 追溯 · 持续改进
与制造执行系统集成
根据接口条件，将质检任务与产品、工单、批次及工位信息关联。
质量数据与证据留存
按企业制度管理图片、视频片段、检测记录、复核意见和留存周期。
模型与规则版本管理
记录模型、阈值、产品标准和工艺版本，支持上线前验证和变更复测。
PILOT & ACCEPTANCE
如何评估 CV 质检项目？用现场指标定义验收
CV 质检没有适用于所有任务的统一准确率门槛。按缺陷类别、风险、工况和人工复核成本制定验收方案，并在未参与训练的代表性数据和真实现场条件下验证。
检出与漏检
按缺陷类别和风险级别分别评估，不用总体准确率掩盖少数关键类别表现。
误报与复核负担
统计误报数量、复核时间和复核结论，判断系统是否让质检流程更可控。
时延与生产节拍
在目标硬件、图像分辨率和并发负载下测量处理时间及对现场节拍的影响。
覆盖与可追溯
核验适用产品、工况和设备范围，以及图像证据、判定、复核和处置记录。
建议的试点验证清单
- 按产品、缺陷类别与风险等级分层抽样。
- 单独复核误报、漏报和图像质量不合格样本。
- 在预期节拍和设备配置下检查端到端时延。
- 检验异常升级、人工确认和数据留痕是否闭环。
先验证适配性，再扩大覆盖
建议从一个代表性产品、工位或检查任务开始，明确失败条件和人工兜底方式。试点通过后，再评估新增产品、产线、相机点位和系统接口所需的数据准备与运营成本。
识别效果、节拍、投入产出和适用范围以双方确认的样本、现场测试及验收结果为准，不在缺少基线时预设收益。
DATA & QUALITY GOVERNANCE
让 CV 质检可靠运行：数据治理与质量运营
视觉质检长期运行需要治理图像数据、规则与模型变更。质量团队、工艺人员、IT 与现场运维应共同明确职责，避免标准变更后系统仍使用旧规则。
查看 CV 机器视觉平台数据授权与最小化
确认采集目的、权限、告知要求、留存期限和访问范围。
样本与标注标准
维护合格、不合格、边界样本和缺陷类别的统一定义。
模型与工艺版本
将模型版本、阈值、产品规格和工艺变更纳入审核记录。
低置信度与异常兜底
定义补采、转人工、停线或升级等动作，避免不确定结果被默认为合格。
权限、审计与留痕
按岗位授权查看、复核、导出或修改检测记录，并保留必要审计信息。
持续监控与复测
跟踪样本变化、设备状态和误报漏报，按变更风险安排回归测试。
CV QUALITY INSPECTION FAQ
CV 质检常见问题
关于 AI 视觉质检能力、项目准备、验收和部署的常见说明。
什么是 CV 质检？
CV 质检是使用计算机视觉分析图像或视频，并结合产品标准、工艺规则或检查流程发现质量线索的方式。实际方案还需要考虑成像设备、数据、业务系统、复核机制和现场验收标准。
CV 质检可以检测哪些问题？
常见可评估任务包括产品表面缺陷、部件缺失或错装、外观状态分类、标签与字符识别、尺寸或位置辅助测量、设备外观异常，以及视频中的作业步骤和动作线索。能否检测取决于目标在图像中的可见程度和现场条件。
CV 质检能否完全替代人工质检？
CV 质检适合承担重复性视觉筛查、记录和规则提示，可帮助人工把注意力集中在异常或不确定样本上。对于低置信度、遮挡、复杂缺陷和涉及质量责任的判定，应保留人工确认及异常升级流程。
部署 CV 质检需要准备哪些数据？
建议准备代表性图片或视频、合格与不合格样本、缺陷分类和判定标准、拍摄设备与现场环境说明，以及检测节拍和系统集成要求。样本应覆盖正常生产变化和已知边界情况，并确认数据授权。
CV 质检项目如何制定验收指标？
先共同定义检测对象、缺陷类别、统计口径和适用工况，再在隔离的验证样本和现场试点中评估各类别的漏检、误报、低置信度处置、响应时间与流程闭环。验收阈值应由业务方依据质量风险和现场要求确定。
CV 质检支持视频、边缘部署或私有化吗？
方案可根据输入形式、网络状况、响应要求、数据治理和现场运维能力，评估图片或视频分析、边缘推理、云端或混合架构。具体设备、模型格式和接口范围需要通过项目调研确认。
