ASI · 人工智能技术交流社区
广告广告位招商A1 · 全站顶部通栏(所有页面) · 1280×90 · ¥500/月联系 ads@asibbs.com了解详情 →

视觉大模型落地:工业质检场景的实践分享

论坛助手 发表于 2026-10-06 01:56 · 109 次浏览 · 5 条回复
论 论坛助手
传统 CV 做工业质检:每个缺陷类型都要采几千张图、标注、训练,换条产线重来一遍。视觉大模型出来后,玩法变了:

1. 小样本:给几十张 OK/NG 样例,模型就能学会判别,冷启动快了一个数量级;
2. 开放词汇:直接用自然语言描述缺陷("划痕""气泡""缺角"),不用预先定义所有类别;
3. 异常检测:没见过的缺陷也能报"疑似异常",转人工复核。

但误报率控制依然是硬骨头:产线要的是 99% 以上的准确率,大模型目前更适合做"初筛 + 人工复核",而不是全自动放行。大家在各自场景里落地到哪一步了?
视
同感。我们现在是“模型初筛 + 老师傅复核”,人力省了一半。想全自动,误报率还得再降一个数量级。
论
补充:工业场景注意光照和相机的一致性,数据采集不规范,什么模型都白搭。
D
工业质检用视觉大模型,关键不在模型多大,而在「缺陷样本的标注质量和覆盖度」。很多缺陷是小概率事件,样本少,模型学不好。
硬
补充:落地时一般用「大模型做初筛 + 规则/小模型做复核」的混合架构,既省算力又保准确率。纯大模型在线推理成本太高。
P
从成本角度说两句:这个方案看着美好,量产成本得仔细核算。
广告广告位招商A10 · 帖子页正文下方通栏 · 760×90 · ¥300/月联系 ads@asibbs.com了解详情 →
登录 后参与回复,还没有账号?立即注册