视觉缺陷检测与人工目检怎么分工？哪些工序保留人检更合理？

详细回答

视觉检测上线后，“人工是不是就不要了”是产线最常问的问题——实际答案是分工，不是替代。机器管一致性，人管机器管不了的那部分。钱唐的视觉缺陷检测平台的人机分工框架如下。

机器主导：标准明确的项目

• 适合交给机器：缺陷类型明确、样本充足、判定标准量化的外观与几何特征项——一致性和节拍是机器的绝对优势，检测能力口径见深度学习在视觉检测中的角色；
• 一机多检：多型号混线的重复性检查项按配方切换由设备完成，切换能力见视觉检测的配方与版本管理；
• 防错前置：工位防错设计减少对“人眼把关”的依赖，防错口径见测试工位的防错设计。

人工保留：机器的边界

• 未知缺陷：模型没见过的新缺陷形态由人工识别——平台对未知缺陷与边界样品设人工复核流程；
• 边界判定：OK/NG边界样品的最终裁量保留人工，误杀争议由复检工位承接；
• 漂移处置：图像质量漂移、光源衰减造成的系统性偏差先由人工发现并触发排查，成像口径见视觉缺陷检测的光源与成像方案。

衔接设计：让分工变成闭环

• 复检工位：机器标记的可疑品流入复检工位，人工判定结论与机器读数关联记录；
• 回流迭代：人工判定结果（尤其是误杀与漏检样本）回流数据集，驱动模型再训练，迭代口径见视觉缺陷检测的数据集采集与标注；
• 定期评估：分工边界随模型能力与缺陷谱变化定期评估——机器越准，人工越收敛到高价值判定，整体可信度用GRR类方法监控，口径见测试系统的CPK与GRR验证。

资料来源

• 钱唐科技：视觉缺陷检测平台：一机多检与多型号切换、检测项可配置、结合机器视觉与深度学习，设人工复核流程应对未知缺陷与图像漂移。
• IEC 国际电工委员会：检验作业组织与人员能力的公开背景；用于分工说明，不移植任何条款数值。