一、标注不是‘框出缺陷’，而是重建工艺知识图谱
某汽车焊装车间上线视觉检测系统后，模型在测试集上达到99.2%准确率，但上线首周误判率高达31%。根因排查发现：标注团队将‘焊缝表面轻微氧化’统一标为‘OK’，而产线工艺规程明确定义——氧化色差ΔE＞3.5即属‘功能性失效’（影响后续涂装附着力）。标注员不懂焊接冶金学，算法工程师未参与PFMEA评审，导致标注标签与工艺语义完全脱钩。
这暴露了第一个隐性断点：标注不是数据预处理环节，而是工艺知识翻译工程。我们强制要求标注前完成三件事：
- 调取该工序的FMEA文件、检验作业指导书（IWI）及近6个月返修记录，提取缺陷定义的量化阈值（如尺寸公差±0.05mm、色差ΔE、灰度梯度斜率）；
- 由工艺工程师与标注组长共同制定《缺陷语义映射表》，明确‘划痕’与‘擦伤’在当前工序中的判定权重差异；
- 对标注员进行4小时现场跟线培训，使其亲眼目睹‘合格品在UV灯下呈现的微弱荧光带’与‘NG品荧光中断’的物理表现。
没有工艺语义锚定的标注，就是用统计噪声训练模型——精度数字再高，也是沙上筑塔。
二、推理不是‘跑通ONNX’，而是嵌入产线时序脉搏
某电子组装厂部署AOI系统后，GPU服务器推理延迟稳定在120ms，但实际触发拒收动作的平均耗时达840ms。拆解发现：图像从CCD采集→编码压缩→网络传输→解码→预处理→推理→后处理→PLC信号输出，共经历17个中间环节。其中仅‘图像传输至边缘网关’一项，在千兆工业环网拥堵时段就产生210ms抖动；而PLC要求控制信号必须在单周期内（≤500ms）完成闭环，超时即跳过本次判定。
我们不再问“模型能不能跑”，而是问“它敢不敢在节拍时间内赌一次？”——工业现场没有重试机制，只有硬实时。
为此，我们重构了推理管道：
- 放弃通用ONNX Runtime，改用NVIDIA Triton+TensorRT定制编译，针对该产线分辨率（1920×1200@60fps）做算子融合，推理阶段压缩至68ms；
- 将图像预处理（白平衡/畸变校正）下沉至工业相机固件层，消除传输前的CPU瓶颈；
- 设计双缓冲异步流水线：当第N帧在GPU推理时，第N+1帧已在网关DMA直传，第N+2帧正由相机捕获——用空间换时间，确保输出抖动＜±15ms。
算法性能必须服从于产线节拍（takt time），这是不可谈判的物理边界。
三、结果不是‘输出JSON’，而是激活质量闭环的语义开关
某家电企业上线视觉系统后，每日生成2.4万条‘NG’结果，但87%未进入质量改进流程。原因在于：系统输出仅为{“defect_type”: “scratch”, “confidence”: 0.92}，而MES中的工单字段要求填写“缺陷代码（Q-SCR-07A）”、“责任工序（ASSY-03）”、“关联BOM层级（PCBA-MAIN）”。缺乏语义转换引擎，AI结果只是孤岛数据。
第二个隐性断点浮出水面：质检结果必须携带可执行的质量语义。我们在逸付AI引擎中内置三层语义桥接器：
- 语法层：自动将视觉模型输出映射到客户已有的缺陷编码体系（如ISO 2859采样标准中的AQL等级）；
- 语义层：根据缺陷位置（如‘右下角散热孔边缘’）反向推导责任工位（SMT贴片→回流焊→AOI→功能测试），并关联该批次的锡膏批次号、炉温曲线ID；
- 语用层：当同一缺陷类型连续出现≥5次，自动触发MES中的‘质量预警工单’，并推送至班组长企业微信，附带历史同类缺陷TOP3根因分析报告。
没有语义注入的AI输出，只是数字坟墓里的幽灵数据。
四、可执行建议：从验收清单开始倒推技术选型
我们不再提供‘算法演示版’，而是交付一份《AI质检交付验收清单》，客户签字即代表认可以下硬性条款：
- 工艺对齐验证：提供标注样本与FMEA/IWI条款的逐条映射文档，并由客户工艺总监签字确认；
- 节拍压力测试：在真实产线节拍下连续运行72小时，误判率≤0.8%，且99%推理延迟≤节拍时间的60%；
- 闭环激活验证：随机抽取100条NG结果，验证其在MES中自动生成工单、触发停线指令、同步推送至质量看板的完整链路成功率≥95%。
真正的技术深度，不体现在模型参数量，而在于你敢不敢把验收标准钉死在产线地板上。