AI视觉质检要解决什么问题？
同一种外观异常，在不同批次、光照和材料表面下，可能呈现不同特征。单看识别率，难以判断系统是否适合真实产线；还需要看漏检、误报、复判负担和图像到结果的完整耗时。
开始前，需要哪些数据？
- 经过授权的工业相机图像、AOI图像及缺陷标注。
- 产品型号、批次、工位和人工复判结论，便于建立可追溯关联。
- 相机触发方式、分辨率、光源条件和产线节拍。
数据接入前，应确认使用权限、保留期限及访问范围；不为试点擅自导出敏感生产资料。
H700如何参与实施？
01 / 建立样本基线
分开正常样本、异常样本与难例；按批次划分训练和测试数据，避免相似样本泄漏造成效果高估。
02 / 边缘部署与联调
根据确认的H700配置选择模型和推理方式，验证相机、工位标识及结果接口，记录端到端耗时。
03 / 人工复核与回流
对不确定结果保留复核入口，记录误判原因；经授权后回流样本，用版本化方式管理模型更新。
如何衡量是否有效？
按缺陷类型分别统计漏检率、误报率与复判量，同时测量生产负载下的延迟分布、异常恢复和批次追溯完整性。评价范围及阈值由双方事先确认。
保留清晰的安全边界
AI结果用于质量辅助判断。涉及自动剔除或放行时，应另行确认控制逻辑、失效处理和人工接管方式；本页面不承诺固定准确率或替代全部人工检验。
场景问答
已有AOI设备，还能使用H700吗？
可先评估复用AOI图像和复判结果，在不改变现有主流程的情况下进行旁路验证。能否接入取决于设备数据权限、导出格式与接口条件。
没有足够缺陷样本怎么办？
先明确缺陷分类与标注规则，收集正常样本和已知难例。样本不足时应缩小验证范围，不宜直接承诺覆盖全部缺陷。