前陣子去某PCB工廠看產(chǎn)線發(fā)現(xiàn)他們新上的檢測設(shè)備不再是我熟悉的傳統(tǒng)AOI那一套——操作員不用再反復(fù)調(diào)閾值、寫規(guī)則而是對著屏幕等模型推理結(jié)果。從AOI到AI AOI這個轉(zhuǎn)變看似只是多了一個字母背后其實是整個工業(yè)視覺檢測的技術(shù)棧變了。作為在這行摸爬滾打多年的從業(yè)者我想把這條演進路線、技術(shù)原理和我個人的實戰(zhàn)踩坑記錄整理出來給正在糾結(jié)要不要上AI檢測的同行一些參考。1. 先看懂傳統(tǒng) AOI它解決了什么又卡在哪里1.1 AOI 到底是怎么工作的傳統(tǒng)AOI的全稱是Automated Optical Inspection自動光學(xué)檢測。它的核心邏輯其實很樸素用相機拍下被測物體表面的圖像再用預(yù)設(shè)的算法規(guī)則去判斷圖像上是否有缺陷。一套完整的AOI系統(tǒng)通常由幾個部分組成光學(xué)光源、工業(yè)相機、運動平臺、圖像處理軟件和PLC通信模塊。光學(xué)部分是很多人容易忽視的重點。AOI的光源配置往往比相機本身更講究常見的有環(huán)形光、同軸光、條光、穹頂光等每種光源應(yīng)對的缺陷類型完全不同。比如環(huán)形光適合檢測焊點的三維輪廓變化同軸光適合反射率較高的平面劃傷條光則常用于檢測線路板表面的異物或凹凸。實際產(chǎn)線上經(jīng)常需要組合光源通過不同角度照射讓缺陷在圖像中形成明顯的灰度差。圖像處理算法是傳統(tǒng)AOI的靈魂。早期主要靠Blob分析和灰度閾值分割后來發(fā)展出模板匹配、形態(tài)學(xué)濾波、邊緣提取等一系列經(jīng)典工具。檢測工程師的工作方式是這樣的先拍一批良品和缺陷樣本然后針對每種缺陷手工編寫一套圖像處理流程比如“先高斯模糊再二值化然后用膨脹腐蝕去掉噪聲最后計算連通域面積是否超過閾值”。這套流程需要針對不同產(chǎn)品、不同工藝逐項調(diào)試每個機種換型時都要重新做一遍。1.2 傳統(tǒng) AOI 的三座大山傳統(tǒng)AOI在實際生產(chǎn)中積累了不小的問題我用我自己的觀察把它們歸納成“三座大山”。第一座大山的名字叫“規(guī)則脆弱”。圖像處理規(guī)則本質(zhì)上是人為定義的判斷邏輯它只對調(diào)試時期見到的缺陷有效。一旦產(chǎn)線換了批號、工藝窗口漂移、來料顏色有輕微差異同一個規(guī)則就可能開始誤判。最典型的是PCB行業(yè)同一塊板子在不同批次間油墨顏色會有肉眼看不出的差異但在二值化閾值固定的算法里這種差異會被放大成成片的“偽缺陷”。很多工廠遇到這種情況只能派工程師去現(xiàn)場改參數(shù)治標(biāo)不治本。第二座大山是“人力黑洞”。因為規(guī)則算法的誤報率通常較高產(chǎn)線上必須安排人工復(fù)判工位把AOI報警的圖片一張張再過一遍。一條產(chǎn)線少則需要兩個人多則需要五六個人晝夜倒班做這種極度消耗注意力的工作。我曾經(jīng)見過一個朋友負責(zé)的SMT車間AOI每天的報警量高達上萬條復(fù)判人員手都點酸了還經(jīng)常出現(xiàn)因疲勞漏放的情況這正是產(chǎn)品缺陷漏到下站的直接原因。第三座大山是“缺陷覆蓋有限”。傳統(tǒng)AOI能檢的缺陷種類高度依賴工程師預(yù)先編寫的那幾套規(guī)則對于沒有見過的異常形態(tài)基本無能為力。比如封裝器件表面的細微裂紋、鍍層烏黑、樹脂溢出等這些缺陷沒有固定的幾何特征用傳統(tǒng)規(guī)則很難表達。很多工廠嘴上說著“全檢”實際上只是把有限的已知缺陷模式拿規(guī)則篩了一遍。這三座大山讓我越來越清楚一個方向檢測的判定邏輯必須從“人寫特征”變成“機器學(xué)特征”。而能做到這件事的就是AI AOI。2. AI AOI 的內(nèi)在變化從“寫規(guī)則”到“喂數(shù)據(jù)”2.1 技術(shù)架構(gòu)的四個關(guān)鍵環(huán)節(jié)AI AOI和傳統(tǒng)AOI在硬件層上其實沒有顛覆性區(qū)別相機、光源、運動平臺依然保留真正變了的是圖像處理這一層。傳統(tǒng)算法被人寫的規(guī)則替代變成了深度學(xué)習(xí)模型在GPU上做的推理。它的完整架構(gòu)可以拆成四個關(guān)鍵環(huán)節(jié)數(shù)據(jù)采集、數(shù)據(jù)標(biāo)注、模型訓(xùn)練、推理部署。數(shù)據(jù)采集環(huán)節(jié)的目標(biāo)是把產(chǎn)線上能見到的所有外觀形態(tài)都拍下來尤其是缺陷樣本。這里有一個很現(xiàn)實的困難工廠里良品遠多于缺陷品尤其是一些特殊不良可能一周都見不到幾片。所以AI項目的啟動期往往伴隨一個主動制造缺陷樣本的過程或者跨產(chǎn)線調(diào)集歷史累積缺陷圖庫。這一步如果草草了事后面模型效果會非常差。數(shù)據(jù)標(biāo)注環(huán)節(jié)是把圖像中的缺陷用框或輪廓標(biāo)記出來。這個工作看似簡單實則決定模型上限。標(biāo)注員如果對缺陷定義理解不一致同一種劃傷有人畫框、有人畫點模型就會學(xué)得一團混亂。模型訓(xùn)練環(huán)節(jié)是整個鏈路中聽起來最“AI”的部分但實際上對算力和框架熟悉度的要求比對算法創(chuàng)新的要求更高。大多數(shù)落地項目使用的都是成熟的目標(biāo)檢測或語義分割模型比如YOLO系列、Faster R-CNN、U-Net極少有人從頭設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)。訓(xùn)練的關(guān)鍵反而在數(shù)據(jù)增強策略、學(xué)習(xí)率調(diào)整、過擬合預(yù)防這些工程細節(jié)上。推理部署環(huán)節(jié)則是把訓(xùn)練好的模型打包成能在產(chǎn)線上實時運行的推理服務(wù)。工業(yè)現(xiàn)場對檢測節(jié)拍有硬指標(biāo)通常要求在幾百毫秒內(nèi)完成單圖判定因此部署環(huán)節(jié)往往需要模型量化、TensorRT加速、多線程流水線等優(yōu)化手段。2.2 一張表看傳統(tǒng) AOI 與 AI AOI 的區(qū)別維度傳統(tǒng) AOIAI AOI特征來源工程師手工編寫規(guī)則與閾值數(shù)據(jù)驅(qū)動自動提取特征新缺陷適配重新寫算法、調(diào)參補充樣本、微調(diào)模型誤報率偏高依賴人工復(fù)判經(jīng)過數(shù)據(jù)迭代可顯著降低缺陷覆蓋已知、規(guī)則可表達的缺陷形態(tài)復(fù)雜、無固定特征的缺陷上線周期每機種幾天到兩周數(shù)據(jù)足夠時數(shù)天數(shù)據(jù)不足時需要積累硬件要求普通工控機即可需GPU或邊緣AI加速卡主要成本算法工程師人力數(shù)據(jù)標(biāo)注與算力成本可維護性參數(shù)難追溯版本化模型迭代典型場景簡單背景、規(guī)則明顯的缺陷復(fù)雜紋理、缺陷形態(tài)多樣這個表格里最值得琢磨的是最后一行。實際生產(chǎn)中的檢測場景并不是非黑即白有些場景用傳統(tǒng)AOI已經(jīng)足夠穩(wěn)定比如單一背景下的螺絲缺失檢測、規(guī)則排列的連接器引腳變形檢測這些缺陷特征分明、規(guī)則好寫硬上AI反而是殺雞用牛刀。而帶走線密集、銅面紋理復(fù)雜、缺陷種類繁多的場景傳統(tǒng)算法很難兼顧低漏檢和低誤報AI才有了真正的用武之地。2.3 為什么說遷移學(xué)習(xí)是 AI AOI 落地的關(guān)鍵純從零訓(xùn)練一個工業(yè)缺陷檢測模型理論上需要幾十萬張樣本這在大多數(shù)工廠里是不可能完成的。遷移學(xué)習(xí)的思路一下子把門檻降了下來先用公開數(shù)據(jù)集或者已有的大模型預(yù)訓(xùn)練出一套基礎(chǔ)特征提取能力再用工廠自己的少量樣本去微調(diào)。實際項目中幾百到幾千張缺陷圖就能讓模型跑起來效果往往還遠好于從零訓(xùn)練。遷移學(xué)習(xí)還有一個隱藏好處模型的底座已經(jīng)具備對邊緣、紋理、光照變化等通用視覺特征的表達能力所以對不同機種的適應(yīng)速度很快。比如我今天用A機種的PCB板訓(xùn)練了一個模型明天換B機種只需要用B機種的幾百張樣本微調(diào)一下通常半天時間就能得到可驗證的模型。這在產(chǎn)線頻繁換型的場景下是巨大的效率優(yōu)勢。要注意的是遷移學(xué)習(xí)不是萬能藥底座模型和目標(biāo)任務(wù)越接近遷移效果越好。如果用公開的自然圖像數(shù)據(jù)集預(yù)訓(xùn)練再去檢測很涼暗、對比度低的工業(yè)圖片效果會打折扣。所以有條件的情況下更推薦用行業(yè)內(nèi)的歷史缺陷圖先做一個海量數(shù)據(jù)預(yù)訓(xùn)練再針對具體客戶場景微調(diào)這種“行業(yè)底座場景微調(diào)”的架構(gòu)是我目前最推薦的落地姿勢。3. 實操記錄一個 AI AOI 項目我踩過的坑3.1 數(shù)據(jù)采集比想象中更花時間我曾經(jīng)參與過一個半導(dǎo)體封裝外觀檢測項目客戶一開始拍著胸脯說庫里已經(jīng)存了上萬張歷史AOI圖片直接拿去訓(xùn)練就行。等我們把數(shù)據(jù)打開一看發(fā)現(xiàn)麻煩不小圖片分辨率參差不齊、拍攝角度不統(tǒng)一、大部分圖片其實是復(fù)判人員隨手截的圖缺陷位置亂七八糟甚至有的圖片上根本沒有缺陷。后來我們老老實實回到產(chǎn)線重新搭數(shù)據(jù)采集流程。有個經(jīng)驗值得分享數(shù)據(jù)采集時的光照條件和角度必須和實際檢測運行時保持完全一致否則模型在訓(xùn)練時看到的“域”和推理時看到的“域”不同準(zhǔn)確率會大幅下降。數(shù)據(jù)采集也不一定是越多越好需要的是分布均衡。我們當(dāng)時設(shè)定了每類缺陷最少300張、良品2000張的目標(biāo)同時要求樣本覆蓋不同批次、不同工藝參數(shù)、不同時段生產(chǎn)的產(chǎn)品確保模型看到的不是某個單一批次的局部特征。還有一個小坑是關(guān)于圖像格式。工業(yè)相機輸出的Raw格式或高位深TIFF和模型訓(xùn)練常用的8位JPEG/PNG在信息量上差別巨大直接轉(zhuǎn)成低位數(shù)格式會導(dǎo)致一些細小缺陷丟失。我們最后保留了一套原始格式數(shù)據(jù)做備份訓(xùn)練前統(tǒng)一做歸一化和格式轉(zhuǎn)換并記錄下轉(zhuǎn)換參數(shù)確保后面調(diào)試的時候能溯源。3.2 標(biāo)注規(guī)范決定模型上限很多團隊把精力花在網(wǎng)絡(luò)模型上忽視了標(biāo)注質(zhì)量這其實是最大的誤區(qū)。模型能學(xué)到什么完全取決于標(biāo)注給它看了什么。標(biāo)注不一致、漏標(biāo)、錯標(biāo)都會直接變成錯誤的訓(xùn)練信號。我總結(jié)了一套比較實用的標(biāo)注規(guī)范供參考缺陷邊界必須緊貼真實輪廓寧可略小不要多擴因為外擴會把正常區(qū)域?qū)W成缺陷。同一個缺陷出現(xiàn)在不同樣本中標(biāo)注框大小要一致避免模型學(xué)到“不同尺寸的同類缺陷是兩種東西”。對于模糊不清的樣本建立疑難樣本集由工藝工程師和質(zhì)量工程師共同裁定后再標(biāo)注不要憑標(biāo)注員個人感覺。標(biāo)注完成后至少要有一輪交叉復(fù)核抽檢比例不低于20%。在實際項目中我發(fā)現(xiàn)標(biāo)注交叉復(fù)核后模型mAP普遍能漲兩到三個點這個收益比換網(wǎng)絡(luò)結(jié)構(gòu)來得快得多。我們用的是開源標(biāo)注工具LabelImg配合Labelme做分割標(biāo)注。團隊里就三個人前前后后標(biāo)了一萬多張圖花了整整三周時間。后來為了效率引入了預(yù)標(biāo)注模型先讓模型跑一遍自動生成初版標(biāo)注人工只負責(zé)修正效率大約提升了三倍。預(yù)標(biāo)注模型不一定很準(zhǔn)哪怕只有60%的正確率也能省掉大量從零畫框的時間。3.3 訓(xùn)練與評估別只用準(zhǔn)確率說事在工業(yè)檢測場景里最忌諱只看“準(zhǔn)確率”這一個指標(biāo)。缺陷檢測是一個樣本極端不平衡的任務(wù)良品可能占99%以上如果模型把所有圖片都判成良品準(zhǔn)確率照樣高達99%但這就是個廢模型。所以必須看召回率和誤報率這兩個指標(biāo)的組合召回率對應(yīng)漏檢誤報率對應(yīng)過檢工業(yè)客戶最關(guān)心的就是這兩個。我們當(dāng)時訓(xùn)練用的是YOLOv8系的目標(biāo)檢測模型配合隨機翻轉(zhuǎn)、隨機亮度變化、隨機噪聲等數(shù)據(jù)增強策略。訓(xùn)練集和驗證集按8:2劃分并保證缺陷類別在兩邊分布一致。訓(xùn)練完的模型在驗證集上mAP到了0.93召回率也不錯但一放到現(xiàn)場就發(fā)現(xiàn)誤報率非常高。后來排查原因問題出在現(xiàn)場圖像和訓(xùn)練圖像的亮度分布有差異我們的增強策略里亮度擾動范圍太小沒有覆蓋產(chǎn)線實際變化。解決方式是重新采集現(xiàn)場圖像加入訓(xùn)練集做增量訓(xùn)練同時把數(shù)據(jù)增強中的亮度擾動范圍調(diào)大。還有一招很有用在模型后面加一個基于規(guī)則的后處理過濾層把一些具有明顯幾何特征的誤報篩掉。比如模型報了一個小缺陷點但它的尺寸和形態(tài)明顯不符合真實缺陷的分布區(qū)間后處理層就會把它過濾掉。這種“AI加規(guī)則”的混合方案在實際部署中遠比單一純AI方案穩(wěn)定。3.4 上線部署跟產(chǎn)線節(jié)拍死磕實驗室模型跑得再快到了產(chǎn)線也未必能跟上節(jié)拍。我們遇到的一個典型情況是GPU服務(wù)器推理一張圖只要80毫秒但加上圖像傳輸、預(yù)處理、PLC觸發(fā)、結(jié)果通訊之后整個流程卻要500毫秒以上直接把產(chǎn)線節(jié)拍拖慢了。后來我們做了一系列優(yōu)化把整條鏈路理清楚相機觸發(fā)采用硬件觸發(fā)避免軟件觸發(fā)的抖動和延遲圖像預(yù)處理用GPU上的CUDA算子替代CPU版本模型推理采用TensorRT FP16精度在幾乎不損失精度的前提下把推理時間從80毫秒壓到40毫秒左右輸出結(jié)果通過共享內(nèi)存直接傳給上位機省掉中間序列化開銷。部署架構(gòu)上很多工廠擔(dān)心GPU服務(wù)器成本高其實工業(yè)檢測不一定要上高性能服務(wù)器。像這種單相機單工位的檢測場景一塊中端GPU甚至一塊邊緣AI加速卡就夠用。如果工位多可以通過一臺服務(wù)器掛多路相機用流水線方式調(diào)度。我們有一條產(chǎn)線一臺機器同時接了四路相機通過多線程和異步推理穩(wěn)定跑了幾個月完全滿足節(jié)拍要求。4. 常見問題與排查實錄問題現(xiàn)象直接原因排查與解決方案模型誤報高好品報壞品訓(xùn)練數(shù)據(jù)光照域與現(xiàn)場不一致采集現(xiàn)場真實圖像做增量訓(xùn)練加大亮度擾動增強增加規(guī)則后處理過濾漏檢嚴(yán)重缺陷未檢出該缺陷類型在訓(xùn)練集中樣本不足補充樣本到每類300張以上啟用困難樣本挖掘失敗案例回流再訓(xùn)練新機種換型后效果下降新機種圖像域偏移用遷移學(xué)習(xí)微調(diào)哪怕只有200張樣本也能顯著改善推理速度不達節(jié)拍模型過大或鏈路串行嚴(yán)重嘗試輕量網(wǎng)絡(luò)或TensorRT量化檢測全鏈路各環(huán)節(jié)耗時并行化處理現(xiàn)場偶發(fā)誤報漂移光源老化或相機位置微動定期執(zhí)行光源補償校準(zhǔn)固定相機安裝結(jié)構(gòu)加入圖像亮度動態(tài)歸一化同類缺陷標(biāo)注結(jié)果不穩(wěn)定標(biāo)注規(guī)范缺失建立標(biāo)注規(guī)范文檔明確邊界定義進行交叉復(fù)核統(tǒng)一標(biāo)注口徑模型在驗證集好、現(xiàn)場差驗證集與現(xiàn)場圖像數(shù)據(jù)分布不同重新劃分驗證集從現(xiàn)場隨機抽樣使用域差異分析工具觀察特征分布除了表格里的這些問題我再補充一個排查思路當(dāng)AI AOI出現(xiàn)問題不要第一時間去調(diào)模型參數(shù)先看數(shù)據(jù)。我多次遇到過所謂“模型抽風(fēng)”的情況最后查出來的原因不過是操作員把某個物料放反了或者上一道工藝修改了參數(shù)導(dǎo)致表面狀態(tài)變化這種時候收集新數(shù)據(jù)重新訓(xùn)練比調(diào)參靠譜得多。還有一個關(guān)于光源的獨家經(jīng)驗AI模型對光照的敏感度比傳統(tǒng)算法更高。傳統(tǒng)AOI的閾值算法在光照變化時頂多是邊界偏移AI模型則可能出現(xiàn)大面積特征漂移。所以AI AOI對光源穩(wěn)定性的要求更高最好選用帶反饋控制的高穩(wěn)定光源并定期用電學(xué)或光學(xué)手段驗證輻照度。很多工廠買了AI檢測設(shè)備后頻繁報故障最后查出來只是光源衰減了更換光源后一切恢復(fù)正常。5. 選型與落地建議什么時候該換 AI AOI5.1 先算賬成本與收益我經(jīng)常被客戶問到一個問題AI AOI到底比傳統(tǒng)AOI貴多少值不值得上這個問題的答案不能一概而論但可以有一套算賬邏輯。先看投入端。AI AOI的顯性成本包括帶有GPU的工控機或邊緣設(shè)備、AI軟件平臺授權(quán)、數(shù)據(jù)標(biāo)注與模型維護的人力投入。對比傳統(tǒng)AOI硬件差異可能在幾萬到十幾萬元這個量級軟件和人力則是持續(xù)性的。很多客戶容易忽略一個隱性成本——模型上線后的持續(xù)維護因為產(chǎn)線工藝不是一潭死水產(chǎn)品升級、新工藝導(dǎo)入都會帶來新的缺陷模式這意味著AI模型需要持續(xù)迭代不是一次訓(xùn)練就一勞永逸。再看收益端。收益主要來自三個方面一是人工復(fù)判人力減少如果一條產(chǎn)線原來需要四個復(fù)判員上AI后減到一個人每年省下的人力成本非?？捎^二是漏檢下降帶來的客戶投訴和返工損失減少三是換型效率提升傳統(tǒng)AOI換一個機種可能要兩三天調(diào)算法AI AOI靠遷移學(xué)習(xí)可能當(dāng)天就能完成。我見過一個典型的算賬案例某電子組裝車間原來每條產(chǎn)線三個復(fù)判人員每年人力成本約50萬元加上因漏檢導(dǎo)致的客戶退貨每年約30萬元。上了AI AOI后復(fù)判人員減到一人退貨費用降到每年5萬元以內(nèi)。雖然前期軟硬件和數(shù)據(jù)項目投入了40多萬元但兩年內(nèi)基本就能收回成本。這個賬算完決策也就清楚了。5.2 三條落地路徑根據(jù)工廠的現(xiàn)狀我建議分三條路徑來落地AI AOI不同基礎(chǔ)不同走法。第一條是“漸進式增強”。如果工廠已有傳統(tǒng)AOI且運行穩(wěn)定可以先不替換原有設(shè)備而是加裝一個AI檢測模塊把傳統(tǒng)AOI報警的圖片送入AI做二次分類。這種“第一級傳統(tǒng)粗篩第二級AI復(fù)判”的模式能在不改動原有產(chǎn)線結(jié)構(gòu)的前提下大幅減少人工復(fù)判量。我參與過的一個項目傳統(tǒng)AOI報警量每天一萬多件經(jīng)過AI復(fù)判后真正需要人工看的只剩一千多件人員從六人減少到一人。這條路風(fēng)險小適合預(yù)算有限和不想折騰舊產(chǎn)線的工廠。第二條是“整線替換式”。當(dāng)工廠面臨產(chǎn)線新建、產(chǎn)品缺陷種類多且復(fù)雜、傳統(tǒng)AOI已經(jīng)嚴(yán)重成為瓶頸時直接上完整的AI AOI檢測工位。這條路徑投入大、見效快但需要工廠有較強的數(shù)據(jù)管理能力并且愿意在前期投入時間和人力做樣本積累。第三條是“平臺化統(tǒng)一”。適合多基地、多產(chǎn)線的大型制造企業(yè)把所有檢測數(shù)據(jù)匯集到一個統(tǒng)一的AI平臺上模型集中訓(xùn)練、下發(fā)生成各產(chǎn)線共享數(shù)據(jù)資產(chǎn)。這條路見效慢但長期看數(shù)據(jù)飛輪效應(yīng)明顯缺陷樣本越積越多模型越用越準(zhǔn)。我目前看到的行業(yè)頭部企業(yè)基本都在往這個方向走。5.3 避坑心得有些坑只有踩過才知道我在最后分享幾條個人體會。第一條是不要迷信大模型。工業(yè)檢測場景里速度和穩(wěn)定性比算法炫技重要得多。一個幾百萬參數(shù)的小模型如果能把誤報率壓到千分之一比一個幾十億參數(shù)的大模型在離線測試?yán)锔邇蓚€點更有價值。產(chǎn)線對穩(wěn)定性的要求近乎苛刻偶爾一次抽風(fēng)可能導(dǎo)致整批次報廢。第二條是數(shù)據(jù)和工藝要聯(lián)動。AIAOI不是IT部門自己的事必須讓工藝工程師深入?yún)⑴c。很多時候模型檢出的“異?！逼鋵嵤且驗楣に噮?shù)漂移導(dǎo)致的正常物理形態(tài)變化如果工藝端能先穩(wěn)定下來模型才穩(wěn)定得下來。把AI檢測當(dāng)成一個產(chǎn)品系統(tǒng)的傳感器和工藝聯(lián)調(diào)才能發(fā)揮最大價值。第三條是要管理預(yù)期分階段交付。不要指望模型一上線就達到超過99%的準(zhǔn)確率更現(xiàn)實的方式是分階段第一階段目標(biāo)定為替代50%的人工復(fù)判量第二階段再優(yōu)化誤報和漏檢逐步提升替代比例。在組織層面設(shè)定一個可量化的驗收指標(biāo)這樣項目推進才不會被一句“效果不好”卡住。從我實際操作的體會來看AI AOI不是對傳統(tǒng)AOI的完全替代而是在傳統(tǒng)AOI打下的硬件和工藝基礎(chǔ)上的一次智能升級。光學(xué)系統(tǒng)、運動平臺這些物理層短期內(nèi)不會有顛覆性變化真正的演進發(fā)生在圖像理解那一層——從人教機器看到人帶機器自己學(xué)。這個轉(zhuǎn)變會讓檢測系統(tǒng)從“工具”變成“經(jīng)驗沉淀的載體”。哪家工廠能先把數(shù)據(jù)資產(chǎn)攢起來把標(biāo)注和迭代的流程跑順哪家就能在越來越挑剔的質(zhì)量要求面前站穩(wěn)腳跟。