传统机器视觉主要靠规则、阈值和固定特征，适合尺寸、定位、缺料等稳定场景；工业 AI 质检通过样本学习缺陷特征，更适合划痕、污渍、装配错件等外观缺陷。两者经常组合使用。
先说定义：工业 AI 质检是把深度学习模型接入产线相机和检测流程，对产品外观、装配状态或标签进行自动判断，并把结果传给产线控制系统。
原理差异
传统视觉通常由工程师设定检测区域、阈值和判定规则，环境稳定时效果好、可解释性强。AI 质检则从标注样本中学习缺陷特征，对光照变化、位置偏移和复杂纹理更有适应性，但需要足够的样本和持续的模型维护。
适用边界
尺寸测量、字符识别、定位引导等任务，传统视觉往往更稳定；外观缺陷、复杂背景、多品种小批量场景，AI 更容易覆盖。实际项目里常见做法是先做传统视觉预处理，再用 AI 做缺陷分类或复判。
落地要点
上线前要明确缺陷定义、判废标准和样本来源，避免“同一个缺陷，不同班组判法不同”。还要设计误判处理、模型更新和产线停机时的回退流程。AI 质检不是一次训练就结束，后续需要持续收集难例并迭代。
| 对比项 | 传统机器视觉 | 工业 AI 质检 |
|---|---|---|
| 判定方式 | 规则、阈值、固定特征 | 样本学习、特征提取、模型分类 |
| 适合场景 | 尺寸、定位、缺料、字符识别 | 划痕、污渍、装配错件、复杂外观 |
| 样本要求 | 较少，依赖规则设计 | 需要标注样本，难例越多越有利 |
| 维护方式 | 调整规则和参数 | 持续补充样本并迭代模型 |
| 可解释性 | 较高，规则可追溯 | 中等，需结合热力图和复核机制 |
相关问题
AI 质检需要多少样本？
取决于缺陷类型和产品差异，没有统一数量。通常先从现有不良品和正常品中收集样本，再根据漏检和误判情况补充难例。
换产品后要重新训练吗？
如果外观、缺陷定义或拍摄条件变化较大，通常需要补充样本并重新评估模型；变化较小时可通过参数调整和增量样本适配。
AI 质检能完全替代人工吗？
多数场景采用“AI 初判 + 人工复核”的方式更稳妥；是否完全替代取决于缺陷标准、风险等级和现场质量要求。