AOI误报多很多时候问题根本不在参数上而在参数后面的那一步——复判。一、为什么调参数解决不了根本问题很多工厂一碰到AOI误报高第一反应就是参数再调调阈值再改改。调严一点漏检多了调松一点误报又上去了。来来回回拉锯最后发现——真正耗人的从来不是调参数而是调完参数之后那一坨疑似缺陷谁来看、怎么看、看出花来怎么办。一条产线、一个品牌、几个人复判还好说经验凑一凑也就统一了。但工厂一旦上规模呢三五条产线同时跑不同品牌的AOI设备混用复判人员分散在各条线上这时候问题就来了同样一张疑似缺陷图甲说是误报乙说要留观丙产线直接过了丁产线却卡着不放。不是谁对谁错的问题是标准散了。人不是机器会疲劳、会有经验差异、会受当天状态影响。一条线一个标准十个人十个判断你怎么管二、比误报多更可怕的是复判乱很多人没意识到AOI误报只是表面问题。真正的深层痛点是重复劳动巨大——每天成千上万张疑似图大量是重复类型的误报人眼一张一张看纯体力活标准无法统一——不同产线、不同班组、不同人员判定口径各有各的理解经验留不住——老员工的判断经验装在脑子里人走了经验就没了新人又要从头踩坑数据无法沉淀——每天复判了那么多哪些是高频误报哪些是真缺陷说不清道不明到最后你会发现工厂花大价钱上了一堆AOI设备结果瓶颈从检测端转移到了复判端。 前面的设备跑得飞快后面的复判跟不上、管不住、理不清。三、我们的思路不是替人做决策而是帮人省力气针对这个问题我们做的德智AI复判系统核心逻辑其实很朴素——不抢人的活帮人的忙。具体怎么做三步走第一步集中把不同品牌、不同产线AOI吐出的疑似缺陷全部汇集到一个统一平台。不再东一块西一块先把数据池子建起来。第二步辅助用大模型千万级真实产线样本训练出来的先过一遍把绝大多数重复性、确定性的判定做掉。人不用再跟那些一眼假的误报死磕。第三步闭环人做的每一次最终判断都会回流到模型里继续训练。用得越多模型越准模型越准人越省力。AI负责干重复的活人负责拍最终的板。而人的每一次决策又在帮AI变得更聪明——这是一个正向循环。四、写在最后制造业升级这件事大家的目光往往都盯着前面的检测设备——精度够不够、速度快不快、品牌响不响。但很多时候真正拖后腿的是后面那套看不见的复判管理体系。设备越上越多产线越扩越大如果复判还是一条线一个山头、一个人一套标准那前面检测能力再强后面也接不住。AOI负责把问题找出来AI复判负责帮你更高效地判断问题。一前一后都得跟上。德智AI复判让多设备、多产线的复判更高效、更统一。如果你也在为AOI复判效率和标准不统一头疼欢迎评论区聊聊你们的做法。本文由德智 (DZ)工业视觉团队原创整理更多技术方案与白皮书可访问德智官网dz-group.com.cn