A
"用 VLM/基础模型替代传统 AOI"的项目近一年扎堆立项。这篇基于公开案例与自家产线折腾，按工序拆"能不能换"，免得立项书吹到量产不落地。
一、先拆工序：检测 ≠ 识别 ≠ 判定
PCBA/纺织/注塑质检的通用四段：定位配准 → 缺陷检出 → 分类定性 → 处置决策。大模型在不同段位的性价比差异极大：
| 工序 | 传统方法 | 大模型现在能替代吗 |
|------|----------|-------------------|
| 定位配准 | 模板/几何匹配 | 不需要换 |
| 缺陷检出（有清晰模型：划痕/偏移/虚焊）| 规则+小样本 CNN | 不必用大模型；小模型+合成数据更强 |
| 缺陷检出（无模型缺陷、来料多变的"异见"检测）| 基本无解，靠人眼 | 这是大模型甜点区（异常检测/zero-shot 对比）|
| 分类定级（多方案工艺缺陷分级、归因到工序）| 规则+人工复判 | VLM 微调后可换复判工位 |
| 处置决策/报表/工单 | 人 | LLM Agent 化空间大且低风险 |
二、哪些账算不过来（三年内别碰）
1. μm 级检出精度线：工业相机分辨率+景深+打光是第一瓶颈，VLM 不解决物理成像问题，这类检测头继续用传统；
2. 节拍 <100ms 的高速线：边缘推理功耗与显存撑不住大模型的延迟，小模型仍是主力；
3. 强合规追溯（车规/医疗器械）：验证体系要求确定性证据链，"模型说像"没法过审计——AI 当"初筛+理由生成"没问题。
三、推荐架构（两年内在多数工厂成立）
- 小模型/规则做第一道全检（确定性）；
- 阈值灰区样品路由给 VLM 复判（多模态+文本报告优势区），复判量控制在 5~15%；
- 人工终审兜底，所有终审改判样本回流成 VLM 微调集——这一步决定 6 个月后系统是变好还是腐化；
- 全链路日志：图像版本+模型版本+prompt 模板版本三件套入审计。
四、立项书里最实用的验收口径
别写"准确率 99.5%"（数据不平衡的谎言），写成对偶指标：过杀率（好判坏）≤x% 下的漏检率（坏判好）≤y%，按产线批次漂移 30 天复测。再补一个"复检工位人力下降"作为业务 KPI——这三行是甲方能核对的。
产线同行的边界案例欢迎补，我攒一个"哪些工序换了真省钱/白折腾"的合集。
一、先拆工序：检测 ≠ 识别 ≠ 判定
PCBA/纺织/注塑质检的通用四段：定位配准 → 缺陷检出 → 分类定性 → 处置决策。大模型在不同段位的性价比差异极大：
| 工序 | 传统方法 | 大模型现在能替代吗 |
|------|----------|-------------------|
| 定位配准 | 模板/几何匹配 | 不需要换 |
| 缺陷检出（有清晰模型：划痕/偏移/虚焊）| 规则+小样本 CNN | 不必用大模型；小模型+合成数据更强 |
| 缺陷检出（无模型缺陷、来料多变的"异见"检测）| 基本无解，靠人眼 | 这是大模型甜点区（异常检测/zero-shot 对比）|
| 分类定级（多方案工艺缺陷分级、归因到工序）| 规则+人工复判 | VLM 微调后可换复判工位 |
| 处置决策/报表/工单 | 人 | LLM Agent 化空间大且低风险 |
二、哪些账算不过来（三年内别碰）
1. μm 级检出精度线：工业相机分辨率+景深+打光是第一瓶颈，VLM 不解决物理成像问题，这类检测头继续用传统；
2. 节拍 <100ms 的高速线：边缘推理功耗与显存撑不住大模型的延迟，小模型仍是主力；
3. 强合规追溯（车规/医疗器械）：验证体系要求确定性证据链，"模型说像"没法过审计——AI 当"初筛+理由生成"没问题。
三、推荐架构（两年内在多数工厂成立）
- 小模型/规则做第一道全检（确定性）；
- 阈值灰区样品路由给 VLM 复判（多模态+文本报告优势区），复判量控制在 5~15%；
- 人工终审兜底，所有终审改判样本回流成 VLM 微调集——这一步决定 6 个月后系统是变好还是腐化；
- 全链路日志：图像版本+模型版本+prompt 模板版本三件套入审计。
四、立项书里最实用的验收口径
别写"准确率 99.5%"（数据不平衡的谎言），写成对偶指标：过杀率（好判坏）≤x% 下的漏检率（坏判好）≤y%，按产线批次漂移 30 天复测。再补一个"复检工位人力下降"作为业务 KPI——这三行是甲方能核对的。
产线同行的边界案例欢迎补，我攒一个"哪些工序换了真省钱/白折腾"的合集。