技能介绍

解决什么问题

工厂要上 AI 视觉检测，最先卡住的往往不是算法，而是方案本身：相机选面阵还是线阵、光源怎么打、视觉系统怎么接 MES、一台设备到底多少钱，这些决策分散在光学、算法和电气三个领域，写方案的人要么靠拍脑袋，要么被供应商牵着走。这个技能要填的就是这个缺口——把模糊的检测需求翻译成一份能拿去给供应商报价、能过内部立项评审的完整方案。

核心能力与工作流程

技能先收集三项必要信息：产品类型、缺陷类型、产线节拍，一次最多问 3 个；精度、预算、环境、检测面等属于加分项，缺了也能出方案。然后按 9 个模块输出：

硬件选型：相机分辨率按 视场尺寸 / (最小缺陷尺寸 × 3) 的 3 倍过采样原则计算，帧率按节拍反推；镜头、光源同样给出焦距、接口、照明方式的推导依据和 2-3 个具体型号。光源方案直接绑定缺陷特征——划痕用低角度条形光，凹凸缺陷用明场加暗场组合，透明材质用背光或偏振光。
通信协议：按传输距离、带宽和抗干扰要求选型。GigE Vision 适合远距离多机组网，CoaXPress 适合强电磁干扰车间，系统集成默认推荐 OPC UA，半导体行业则要 SECS/GEM。
算法路线：规则明确的场景用传统视觉，缺陷形态多变的用深度学习，实际项目里最常用的是「传统做定位预处理 + 深度学习做识别」的混合方案，同时给出框架选型和缺陷样本量要求。
扩展与预算：单工位之外，支持一控多相机、分布式边缘加集中管理两种扩展架构，并标注当前配置的最大扩展规模和增量成本。预算给经济型、标准型、高端型三档区间，标注价格基准时间为 2025Q4-2026Q1，有效期 3-6 个月。
落地计划：分 POC 验证、部署、优化三个阶段，附 ROI 计算方式，包括人工替代成本、漏检减少带来的客诉下降和投资回收期。