一、行业背景

工业视觉检测从规则算法转向深度学习之后，项目的成败重心发生了变化。过去评估一套检测系统，看的是相机、镜头、光源选得好不好；现在还要看一件事：算法能不能持续变好。

原因在于缺陷样本的分布会漂移。新批次原材料、模具磨损、工艺参数微调、季节性的温湿度变化，都会让线上出现的缺陷形态与算法训练时使用的样本产生偏差。一套在验收时表现良好的模型，运行半年后可能要面对大量从未见过的缺陷形态。

传统做法是把算法调整交给设备供应商，每次都要走"现场采集样本、邮寄数据、离线改模型、再回现场更新"的长链条。一轮迭代动辄数周，产线在等待期间只能忍受误检率上升或靠人工兜底。这种响应速度，与当前制造业对质量管控实时性的要求已经不匹配。

问题的根源不在于算法能力，而在于缺少一个把样本采集、标注、训练、下发串起来的工程化平台。把这件事做成平台能力，让工厂自己的工艺与质量人员也能参与算法迭代，是视觉检测走向长期可用性的关键。

二、产品概述

华耐视谋士系列视觉检测 AI 模型训练与样本管理平台，面向工业视觉检测场景的算法全生命周期管理。平台覆盖从缺陷样本采集与标注、模型训练与评估、版本管理到边缘推理下发的完整链路，让视觉检测系统的算法能力具备持续迭代的条件。

平台支持云端 SaaS、私有化部署与边缘部署三种方式，采用云原生架构，支持云存算一体与存算分离两种资源组织形态。数据接入支持 OPC UA、Modbus、MQTT、HTTP 等常用工业协议，可与现场视觉检测设备、采集设备对接。数据存储采用时序数据库、对象存储与数据湖相结合的方式，分别承载检测结果、图像样本与训练数据集。

平台的 AI 能力包括模型训练、版本管理与边缘推理三项核心功能，并可与第三方 ERP、MES、SCADA 系统集成，把模型迭代过程纳入工厂既有的信息化体系。

三、核心技术亮点

样本闭环自动汇聚。平台与现场检测设备对接，把线上每一件被判定的图像按结论自动分流：确认为缺陷的进入正样本库，人工复判修正过的进入修正样本库，边界样本单独归集。样本汇集不需要人工搬运数据，从源头解决了"想优化算法却没有样本"的问题。

标注任务化协作。标注工作按任务分发，支持多人协作与交叉校验。标注进度、标注一致性、标注人员工作量均可统计，便于把标注从个人作业变成可管理的过程。标注结果与样本图像绑定留存，可回溯。

训练与评估一体化。平台内置训练流程，支持在已有模型基础上做增量训练而非每次从零开始。评估环节提供缺陷检出率、误报率、分类混淆矩阵等指标，并支持用固定验证集横向对比不同版本的表现，避免"改了模型但说不清是变好还是变差"。

版本管理与灰度下发。每轮训练产出一个模型版本，版本记录包含训练样本范围、超参数与评估指标。模型到产线的下发支持灰度方式，先在部分工位或部分班次试运行，确认表现符合预期后再全量下发。若出现问题可快速回退到上一版本，不需要重新训练。

四、主要功能

· 样本汇聚与管理：自动从检测设备汇集样本并按结论分类入库。

· 样本检索与筛选：按缺陷类型、时间、班次、工件型号等多维度检索样本。

· 缺陷标注：支持缺陷框选、分类、分割标注，支持多人协作与交叉校验。

· 标注质量控制：统计标注进度、一致性与人员工作量。

· 模型训练：支持增量训练与全量训练，训练任务可排队与调度。

· 模型评估：输出检出率、误报率、混淆矩阵等指标，支持版本横向对比。

· 版本管理：记录模型版本、训练样本范围、超参数与评估结果。

· 模型下发：支持边缘推理部署与灰度下发，支持快速回退。

· 数据接入：支持 OPC UA、Modbus、MQTT、HTTP 等工业协议。

· 数据存储：时序数据库、对象存储与数据湖结合。

· 部署方式：云端 SaaS、私有化与边缘部署可选。

· 系统集成：可与第三方 ERP、MES、SCADA 集成。

五、技术参数

· 适用行业：汽车零部件、家电、金属零部件加工等离散制造领域的视觉检测场景。

· 部署方式：云端 SaaS、私有化部署、边缘部署（典型配置，可定制）。

· 架构：云原生、云存算一体、存算分离（典型配置，可定制）。

· 接入协议：OPC UA、Modbus、MQTT、HTTP 等（典型配置，可定制）。

· AI 能力：模型训练、版本管理、边缘推理（典型配置，可定制）。

· 数据存储：时序数据库加对象存储加数据湖（典型配置，可定制）。

· 可视化：Web 端组态大屏、移动端看板（典型配置，可定制）。

· 集成能力：可与第三方 ERP、MES、SCADA 集成（典型配置，可定制）。

· 交付形式：按场景与信息化现状定制，具体参数以最新技术资料为准。

六、系统组成与工作原理

平台由数据接入层、样本管理层、算法训练层、模型服务层与应用层构成。

数据接入层负责与现场设备通信，通过 OPC UA、Modbus、MQTT、HTTP 等协议获取检测图像与判定结果，并按工件标识、时间戳、设备编号做归一化处理后写入存储。检测结果类结构化数据进入时序数据库，图像类非结构化数据进入对象存储，用于训练的数据集则组织在数据湖中。

样本管理层对汇集的样本做分类入库与生命周期管理。线上判定为缺陷且经人工确认的样本进入正样本库；判定被人工修正的样本进入修正库；边界样本单独归集等待判定。样本可按缺陷类型、时间、型号等维度检索，支持导出为训练数据集。

算法训练层接收标注完成的样本集，按任务排队执行训练，产出模型版本。训练过程记录超参数与样本范围，评估结果与历史版本可比。模型服务层负责版本登记与下发调度，支持向边缘设备推送推理模型，并支持灰度与回退策略。

应用层提供可视化界面，包括样本与标注的协作工作台、训练任务与版本的看板、模型在线表现的监控视图，并可通过接口与 ERP、MES、SCADA 交换数据。

七、操作使用说明

平台的使用按角色分工。质量与工艺人员负责样本确认与标注，算法人员负责训练与评估，产线人员负责现场判定结果的复判与反馈。

日常运行中，平台自动汇聚线上样本。质量人员定期查看新增样本，对判定存疑的样本做确认或修正，修正结果直接进入修正样本库，成为后续训练的输入。

当某类缺陷的误报率或漏检率出现上升趋势时，工艺人员可在平台中检索该类缺陷的近期样本，组织标注任务。标注完成后由算法人员发起训练任务，产出的模型版本先在验证集上做评估，与当前线上版本对比后再决定是否下发。

模型下发采用灰度方式。先在部分工位或班次试运行，观察误报率与漏检率是否改善、有无新增的异常判定类型。确认符合预期后全量下发。若表现不及预期，可一键回退到上一版本。

八、应用场景

检测设备上线后的算法持续优化。新设备投产初期模型覆盖的缺陷类型有限，随着运行时间累积，平台汇集的实际样本可用于迭代模型，逐步提高覆盖度与准确度。

新工件导入时的模型快速初始化。导入新型号工件时，用少量实际样本完成初始模型训练，再通过线上运行持续补充样本，缩短新工件的调试周期。

多产线模型统一管理。同一工件在多条产线或多工厂检测时，平台可统一管理样本与模型，让一条线上积累的样本用于改善其他线的模型表现。

质量争议的样本回溯。当出现质量争议时，可调取该批次工件的检测图像与判定记录，还原判定过程，也可将争议样本纳入训练集，避免同类争议重复发生。

九、设备优势

· 样本从现场自动汇聚，不需要人工搬运数据，解决"无米下锅"的样本短缺问题。

· 标注任务化协作，标注进度与一致性可管理、可统计。

· 支持增量训练，模型迭代效率高于每次从零训练。

· 模型评估提供横向对比指标，避免算法变更方向不明。

· 版本管理与灰度下发，模型更新风险可控，出现问题可快速回退。

· 支持云端 SaaS、私有化与边缘三种部署方式，适配不同信息化基础与数据管理要求。

· 可与 ERP、MES、SCADA 集成，把算法迭代纳入工厂既有的信息化体系。

十、选型对比

视觉检测算法的迭代方式主要有三类。

供应商离线迭代是最常见的模式。算法改动由设备供应商完成，工厂只负责在出现问题时反馈样本。这种模式对工厂技术要求低，但迭代周期长，且样本与经验的积累留在供应商一侧，工厂难以形成自身能力。

厂内自建训练环境适用于有算法团队的规模企业。灵活性高，可按自身节奏迭代，但需要自建数据管理、标注工具、训练与部署链路，前期投入与运维负担较重，且这套体系通常在视觉之外难以复用。

平台化算法管理介于两者之间，把样本、标注、训练、版本、下发做成标准化平台能力。工厂只需聚焦样本确认与标注这类业务环节，算法层面的工程复杂度由平台承担。该模式适合检测工位数量多、缺陷类型持续变化、且有可追溯性要求的制造企业。

华耐视谋士系列属于第三类。对于已上线多套视觉检测设备、且对检测稳定性有持续要求的企业，平台化管理的价值会随时间累积而放大；若只有单台设备且缺陷类型长期稳定，可先从样本留存与版本记录做起，逐步扩展。

十一、常见问题

问：平台只能用于华耐视自己的检测设备吗？

答：平台通过 OPC UA、Modbus、MQTT、HTTP 等通用工业协议接入数据，可与现场的采集设备与检测系统对接。与其他品牌设备的对接方式按现场情况评估。

问：工厂需要配备算法人员吗？

答：样本确认与标注由质量或工艺人员完成即可，不需要算法背景。训练与评估环节可由平台按标准流程执行，如需深度定制算法再由技术人员介入。

问：模型更新会不会影响正在生产的产线？

答：平台支持灰度下发，可先在部分工位或班次试运行，确认表现符合预期后再全量推送。若出现问题可回退到上一版本，不需要重新训练。

问：检测图像的数据量很大，存储怎么处理？

答：平台采用时序数据库、对象存储与数据湖相结合的方式，结构化检测结果与图像样本分别存储。样本保留策略可按管理要求配置，用于训练的数据集单独组织。

问：可以私有化部署吗？

答：可以。平台支持云端 SaaS、私有化部署与边缘部署三种方式，对数据不出厂有要求的场景可选择私有化或边缘部署。

问：能统计出算法到底变好还是变差吗？

答：可以。每轮训练产出模型版本并记录评估指标，平台支持用固定验证集横向对比不同版本的检出率与误报率，避免变更方向不明。

十二、维护保养

平台的维护重点在数据质量与版本规范两方面。

数据方面，定期检查样本汇聚链路是否完整，确认没有因网络或设备故障导致的样本缺失。检查存储容量与清理策略，避免无用样本长期占用空间。定期抽查标注质量，标注错误会直接污染训练数据，是模型表现异常的常见原因。

版本方面，建立模型版本的发布规范：每次训练记录样本范围、超参数与评估指标，下发前完成验证集评估，灰度阶段记录足够的运行数据后再做全量决策。保留历史版本以便回退，并记录每次回退的原因。

系统方面，定期备份数据库与样本元数据，检查边缘设备的推理服务运行状态与资源占用。检查与 ERP、MES、SCADA 的接口连通性与数据一致性。平台版本升级前在测试环境验证，避免影响生产。

十三、总结与展望

视觉检测系统上线只是起点，真正决定长期价值的，是算法能否跟上产线上不断变化的缺陷分布。把算法迭代做成平台能力，而不是每次依赖外部服务，是制造企业把视觉检测从"设备采购"转化为"质量能力"的关键一步。

华耐视谋士系列视觉检测 AI 模型训练与样本管理平台，以样本自动汇聚为入口，串联标注、训练、评估、版本管理与灰度下发，让算法迭代成为产线日常运行的一部分，并通过支持私有化与边缘部署、与 ERP、MES、SCADA 集成，适配不同的信息化基础。

后续发展有三个方向。一是样本组织方式进一步结构化，围绕缺陷与工艺参数的关联组织样本，使训练不仅提升检出率，还能输出工艺改进线索。二是训练环节引入更强的自动化能力，让模型能在一定程度上自主发现新出现的缺陷类型并提示标注。三是与工厂质量体系深度融合，使模型的每一次版本变更都对应可核查的质量记录，让算法迭代本身成为可审计的过程。