人工智能质检常见的方式，准确率 及其优缺点？

目前工业领域中大量企业的质量检测环节由人工质检实现，即主要依靠人肉眼来进行缺陷识别，除此之外，少量企业使用传统机器视觉技术进行质检，你们公司应该就是这种。

这些方式有一些显著痛点，例如人工质检存在的主观因素对判定结果影响较大，难以实现标准化；人工质检存在视觉疲劳，无法保证全时段内的产品质检准确率，漏检误检率高；部分场景下人工质检会影响一定的人身安全；人力成本不断提升，存在招工难留存难等问题，同时新招入的员工还需投入大量的培训成本；人工质检无法对历史结果进行有效的积累和利用，对自动化生产流程的适配性较弱；

传统视觉质检依赖于物体的规则度，需要持续调参，模型优化困难，且对不规则的背景和物体的缺陷识别准确率较差；同时由于传统视觉的缺陷，无法实现模型共享，且无法移植/复制模型，模型共享性差。

与人工或传统视觉技术质检相比，为了提高准确率，现在一般使用 AI 技术进行质检。这种技术的优势有：

• 对物体不规则缺陷的识别较传统机器视觉技术具有显著优势，准确率更高，且受外部环境影响低
• 模型可基于用户提供的数据进行持续的迭代训练，不断提升模型的准确率
• 可智能发现新缺陷，在产品出货前进行缺陷控制
• 可进行智能缺陷合成，有效解决部分缺陷的图像数据不足问题
• 赋能最终用户，实现用户自主完成模型的训练预测闭环，自主优化升级模型

这种方法对算法的能力较为依赖，可用算法也很多，选择合适的算法，工程实践上的选择都很重要

比较常用的是机器视觉和智能AI视觉的方式，两者互相补充，前者实现定位，识别，跟踪，计量等功能，后者更多聚焦业务及缺陷，处理视觉可见维度中更高维的信息并转化价值。