## 摘要
2026年9月21日，Prevas与特种材料企业Alleima公布AI机器视觉质量控制试点。根据当日《工业智能每日观察》，项目在真实生产环境中连续拍摄长管材表面，一根产品最多产生约1000张图像，再由AI模型实时识别表面缺陷并辅助操作人员判断。管材长度大、表面反光、缺陷形态复杂，人工检查容易疲劳，固定规则视觉又容易受到材质和光照变化影响，因此这一场景具有典型意义。
但“模型能识别缺陷”只是在线质检的起点。若识别结果没有对应到产品位置、批次、工艺参数、设备状态和最终处置，企业得到的仍然只是更多图片与告警。真正的质量闭环应当完成四次转换：把连续表面转成稳定可比的数据，把图像异常转成可信缺陷，把缺陷转成生产决策，再把处置结果和缺陷原因反馈给模型与工艺。Prevas与Alleima的试点提示制造企业：机器视觉项目应从质量问题出发，而不是从购买相机或训练模型出发。
一、长管材表面检测为何适合AI，又为什么难以工程化
长管材的表面质量具有连续、长距离和高节拍特征。产品在运动中通过检测位置，视觉系统需要持续覆盖其表面；一根产品最多形成约1000张图像，意味着质量判断不再是单张照片分类，而是一个包含空间位置、时间顺序和批次关系的数据流。
人工检查在低速、小批量时可以发挥经验优势，但面对连续图像容易产生疲劳，不同班次和人员的判断尺度也可能漂移。传统规则视觉可以稳定执行预设阈值，却往往对反光、纹理变化、轻微振动和缺陷形态变化敏感。基于数据训练的模型能够学习更复杂的视觉特征，因此适合承担初筛和一致性判断。
工程难点也恰恰来自现场。模型看到的亮斑可能是缺陷，也可能是光源角度变化；同一类缺陷在不同材质、规格和表面处理下可能呈现不同形态；微小缺陷只占图像很少区域，正常样本却远多于缺陷样本。项目若只在离线精选图片上获得高准确率，一旦进入真实生产环境，很容易因数据分布变化而失效。
二、在线质检不是一套算法，而是一条测量链
一个可量产的视觉系统至少包括成像、同步、推理、判定、处置和追溯六个环节。任何一环不稳定，最终质量指标都会失真。相机分辨率再高，如果视场不能覆盖待检表面；模型再复杂，如果图像与产品位置无法同步；检出率再好，如果告警不能触发复核或分流，都无法形成生产价值。
因此，设计项目时应把机器视觉视为测量系统，而不是普通IT应用。首先明确最小缺陷尺寸、允许漏检水平、产品速度和可接受判定延迟，再反推像素分辨率、曝光时间、照明方式、相机数量、触发频率和边缘算力。对于反光表面，稳定照明与机械结构往往比更换更大模型更重要。
日报强调该项目使用高速相机在真实环境连续采集，这一点值得重视。真实环境验证不仅测试模型，也测试设备振动、污染、光源衰减、网络抖动和节拍变化。机器视觉的性能基线必须覆盖完整测量链，不能只报告算法数据集上的指标。
三、先定义缺陷字典，否则数据越多争议越大
许多项目一开始就收集图片，后来才发现质量部门、操作人员和客户对“什么算缺陷”并无一致定义。同一个表面特征可能在高等级产品上必须报废，在普通规格上却可以放行；有些缺陷按形态分类，有些按成因分类，还有些只按严重度分级。若标签标准混乱，模型会学习到人员分歧，而不是稳定的质量规律。
试点前应建立缺陷字典。每类缺陷至少描述视觉特征、尺寸或面积阈值、严重度、适用产品规格、处置方式和典型正反例。对无法仅凭图像判定的情况，要允许“待复核”类别，而不是强迫模型给出确定答案。字典版本需要受控，因为客户标准或工艺变化后，旧标签可能不再适用。
样本采集也应按生产语境分层。除缺陷类别外，还要记录材质、规格、批次、班次、速度、设备状态和照明条件。正常样本不能只采稳定工况，还应覆盖换卷、启停、速度变化和表面纹理波动。只有覆盖这些边界，模型才能区分“工况变化”与“质量异常”。
四、指标不能只有准确率，要围绕质量风险设计
总体准确率在缺陷稀少时很容易失真。假设正常图像占绝大多数，一个始终判断正常的模型也可能获得很高准确率，却完全没有质检价值。制造企业更应关注按缺陷类别计算的漏检率、误报率、定位误差和判定延迟，并区分不同严重度的代价。
对高风险缺陷，漏检成本通常高于误报，可以设置更敏感的阈值并保留人工复核；对轻微外观波动，过高误报会频繁打断生产，应优先提高精度。指标应落实到每种规格和工况，不能用全部数据的平均值掩盖薄弱区域。
项目验收建议采用时间隔离和批次隔离的测试集，避免同一根产品的相邻图像同时进入训练和测试，从而造成虚高结果。还要保留一段完全未参与开发的连续生产数据，以端到端方式测试：从产品进入检测位，到缺陷定位、人员确认、分流和记录完成，系统是否能够在节拍内稳定运行。
五、人机协同不是过渡方案，而是质量责任的一部分
日报对试点的描述是“实时识别表面缺陷并辅助操作人员判断”，而非直接替代人员。这种定位更符合早期上线规律。模型可以持续筛查、标出疑似位置并统一呈现证据，操作人员则处理边界样本、确认严重度和决定处置。双方的分工应被写进标准作业程序，而不是依赖现场临时判断。
人机界面需要给出可执行信息：产品编号、缺陷位置、局部图像、类别、置信度和建议动作。只弹出“异常”会迫使人员重新寻找问题，反而增加负担。对于一根产品约1000张图像的情况，应把相邻检测合并成缺陷事件，避免同一条划痕产生大量重复告警。
人工复核结果必须回流，但不能未经审核直接成为训练标签。操作人员可能受节拍压力影响，班次间也可能存在尺度差异。建议采用“现场确认—质量抽审—标签入库”三级流程，对争议样本保留多方意见。这样既能积累真实难例，也能防止错误反馈污染模型。
六、从检出到闭环：必须打通产品、位置与过程数据
单独的视觉系统只能回答“表面哪里看起来异常”。质量闭环还要回答“异常属于哪件产品、由什么工况产生、应该采取什么动作、动作是否有效”。因此，每次检测都应绑定产品或批次标识，并建立沿长度方向的位置坐标。缺陷事件进一步关联生产时间、工艺配方、设备参数和关键状态。
当系统积累足够数据后，分析重点可以从缺陷图片转向缺陷模式。例如某类缺陷是否集中在特定速度区间，是否与某个设备状态变化同时出现，是否只在某种材质或规格出现。日报提出把检测结果与工艺参数、批次、设备状态和返工数据关联，从“发现缺陷”升级为“预测缺陷原因”，这正是机器视觉价值放大的关键。
需要注意，相关性不能直接等同因果。若视觉结果显示某参数变化与缺陷同步，工程团队仍需通过工艺知识、受控试验或维护检查验证。正确做法是由数据提出候选原因，再由现场验证，最后把确认结论写入工艺规则或维护策略。
七、建议采用“三级闭环”，逐步扩大自动化权限
第一级是信息闭环。系统完成连续采集、缺陷定位、人工复核和质量记录，目标是替代纸面记录与零散图片，形成可追溯的数据链。这个阶段不自动干预生产，重点验证测量稳定性和人员流程。
第二级是处置闭环。模型对高置信异常触发标记、分流、复检或停留，同时把处置结果回写质量系统。自动动作必须设置权限、超时和降级机制；模型或通信异常时，现场能够切回人工或原有检测方式。
第三级是工艺闭环。经过验证的缺陷模式可触发工艺参数建议、维护检查或受控调整。这里应坚持“建议先行、审批执行”，只有在风险充分评估、边界条件清楚且拥有可靠回退机制后，才考虑自动调节。质量闭环不是让模型直接控制一切，而是让每次决策都有证据、权限和验证结果。
八、一个可执行的十二周试点路径
第一至第二周，由质量、工艺、自动化和IT团队共同定义试点边界。选取一种价值较高、缺陷标准相对清晰的产品，确认节拍、最小缺陷、漏检容忍度和人工复核流程。
第三至第四周，搭建成像与同步链路。用正常生产覆盖不同速度、规格和班次，验证图像清晰度、覆盖范围、产品身份绑定和位置编码。此时不要急于追求模型指标，先消除光照、振动和触发问题。
第五至第七周，建立缺陷字典并完成首轮标注。采用质量专家抽审，对类别边界和争议样本形成书面规则。训练基线模型，按缺陷类别和工况输出漏检、误报、定位及延迟指标。
第八至第九周，以“影子模式”上线。系统实时推理但不影响生产，只与人工结果对比，统计连续运行稳定性和告警负担。对误报集中的工况，优先检查成像和标签，再决定是否调整模型。
第十至第十一周，开放受控的操作员辅助功能，展示缺陷位置和建议动作，记录复核与处置。验证同一缺陷事件能否正确关联产品、批次和返工结果。
第十二周进行门禁评审。只有测量链稳定、关键缺陷漏检达到目标、告警可被现场消化、追溯关系完整且降级方案通过演练，才进入扩大范围阶段。若未达到门槛，应明确是成像、数据、模型还是流程问题，而不是笼统宣布“AI效果不好”。
九、上线后的模型也要像生产设备一样维护
现场条件会变化：光源老化、镜头污染、材料批次变化、新规格上线、工艺调整都会造成数据漂移。视觉模型不能一次部署后长期不管。企业应建立日常点检、基准样件测试、输入图像质量监控和分规格性能看板。
模型版本、训练数据、阈值和缺陷字典必须可追溯。新版本先在影子环境与当前版本并行比较，再经过质量负责人批准上线；出现性能异常时能够快速回退。对模型未见过的新型异常，应进入待分析队列，而不是简单归入最相近类别。
运维指标除算法性能外，还包括相机可用率、丢帧率、推理延迟、人工复核时长、重复告警合并率和数据关联成功率。这些工程指标往往比单次模型升级更直接决定系统能否长期运行。
结语
Prevas与Alleima的试点展示了AI机器视觉进入真实质量环节的一条典型路径：高速连续采集、模型实时识别、人员辅助判断，再逐步连接质量追溯。它的产业意义不在于证明AI能够“看见”表面缺陷，而在于提醒企业，在线质检必须同时建设测量链、数据链和决策链。
机器视觉项目真正成功的标志，不是演示屏上框出了多少缺陷，也不是离线准确率达到多少，而是关键漏检持续下降、误报不拖累节拍、每个缺陷能够追溯到产品和位置、处置结果能够回流，并最终帮助工程团队找到可验证的工艺原因。只有走到这一步，视觉AI才从检测工具变成质量基础设施。
来源
- 《工业智能每日观察：OT资产、在线质检与运营数字孪生走向工程闭环》｜2026-09-22。本文事实信息与案例范围均据此展开。
- Chemical Engineering｜Pilot project demonstrates AI-powered machine vision for tube quality control｜2026-09-21。日报用于核验Prevas与Alleima试点、连续成像及真实生产环境信息的来源。