产线 AOI 缺陷检测落地，成熟路径是四步走：相机与打光 → 数据与标注 → 算法训练 → 边缘部署。本文按此顺序拆解每一环的要点与验收标准。
第一步：成像方案决定上限
检测效果的上限在成像阶段就定死了。选相机按缺陷精度与视野倒推分辨率，选镜头按工作距离计算视野；打光则要做样品试验：明场抓外观、暗场抓划痕、同轴光抓反光面。先成图，再谈算法。
第二步：数据与标注
算法精度 80% 靠数据。标注要求：缺陷类别定义一致、边缘像素标注规范、样本覆盖正常工艺波动与异常组合。起步 500-2000 张/类，标注质量比数量更重要，宁可慢一点也要准。
第三步：算法与训练
通用视觉模型（YOLO 系列与分割模型）是主力；小样本难例用异常检测辅助。训练指标看 mAP 与漏检率，验收标准建议：漏检率 ≤ 0.1%、过检率 ≤ 3%，两项都可业务侧接受。
第四步：边缘部署与运维
把训练好的模型量化压缩后部署到边缘算力：工位级用无风扇边缘盒（工业现场粉尘振动），多工位用 NVR 形态一体机。部署后监控帧率、时延与模型漂移，定期用新增缺陷样本迭代模型。
系统架构与算力对照
| 规模 | 架构 | 算力参考 |
|---|---|---|
| 单工位 | 相机+边缘盒 | Jetson Orin NX 级 |
| 多工位 | 产线一体机 | 8-32 路视频分析机 |
| 整厂 | 集中训练+边缘推理 | GPU 服务器+边缘盒 |
3 条要点回顾
- 成像方案（相机+打光）决定检测上限，先打样再谈算法。
- 数据标注质量第一，验收看漏检率与过检率双指标。
- 集中训练、边缘推理，工业现场选无风扇边缘设备。
常见问题（FAQ）
AOI 检测和传统人工质检差多少？
稳定高速：人工目检速度有限且易疲劳，AOI 可做到 24 小时不间断、缺陷分类可追溯，良率数据反哺工艺；但需前期标注与调试投入。
漏检率怎么控制？
漏检与过检是一对矛盾：漏检要抓真缺陷，过检会误杀良品。做法是缺陷样本积累、阈值分层（高危严判、低危宽判）与人工复检仲裁，上线后按批次持续迭代。
边缘算力怎么配？
按工位视觉点数与帧率倒推：单工位 2-4 路轻量模型用 Jetson 级边缘盒即可，产线多工位用视频分析一体机或小型 GPU 服务器，集中训练、边缘推理。
打光为什么重要？
打光是视觉系统的命门：同型号相机的检测效果七成取决于光源角度与颜色。先做样品打光试验再定方案，避免算法调不出来的尴尬。
让专业团队帮你落地
相关阅读：边缘AI计算盒选型 · AI服务器选型指南 · 查看松山湖工业视觉检测案例 工业视觉标准可参考国际机器视觉与图像处理相关规范：emva.org
广东深华天成智能工程有限公司
14年IT服务经验 | 2000+企业客户 | 7x24小时技术支持 | 深圳AI算力与数据中心集成服务商