AI 视觉异常检测

没有统一数字，取决于产品表面本身的波动程度。波动越大的产品，需要越多样本来定义「正常」的边界。实践上通常从几十至上百件真实生产样品起步，再根据实际误判情况补充。

异常检测的原理上不依赖不良样本，但有已知不良样本时建议纳入验证集：用它们检验「已知不良是否能被检出」，避免上线后才发现漏检。这是验证环节，不是建模的必要条件。

通常只能回答「这里异常」，不能直接说「这是划痕」。若需要输出不良类型，需要额外的分类步骤，并且要有对应的已知不良样本来训练分类。

会有影响，而且这是现场最常见的误判来源之一。应尽量稳定光照条件（固定光源、遮挡环境光、定期检查光源衰减），并在建模样本中包含正常范围内的光照波动。

阈值调整是一个持续过程。上线初期建议保留一定比例的复检样本，收集一段时间后再根据实际表现收敛阈值，而不是一次定死。 对于异常检测，误判与漏检的代价往往不对称，阈值应当按现场更在意哪一侧来偏置，这一点需要和品质部门共同确认。

异常检测的落地关键在于正常样本的覆盖度：训练（或建模）阶段给出的正常样本，应当涵盖实际生产中会出现的合理差异，包括不同批次、不同表面状态与光照波动。样本过于单一，设备会变得过于敏感。 同时建议把异常检测与规则算法组合使用：判据明确的项目（如有无、数量、字符）继续用规则算法，判据难以穷举的项目才交给异常检测。这样既保证明确项目的稳定性，又覆盖了未知异常。

按对象查看更具体的对象特点、判据与光学注意事项，共覆盖 PCB 元件有无检测、标签有无检测、连接器有无检测、端子有无检测 等 8 类常见对象。

视觉检测替代的是重复性的目视判断，而不是全部人工。典型分工是：视觉承担逐件的全检与判定，人工负责复判边缘样本、处理换型与异常，以及维护光学与工装。实际投入多少人配合，取决于自动化程度与复判策略。

请提供正常产品的多件样品（覆盖不同批次与表面状态）以及可获得的已知不良样品，工程师会评估异常检测的可行性与阈值取向。