製造業品質檢測 AI 的影像標註流水線

根據美國品質學會的資料，製造商因品質相關成本損失約 15-20% 的營收。AI 驅動的視覺檢測可以將缺陷漏檢率降低 90%，相較於人工檢測——但一個有前景的展示和一個生產就緒的檢測系統之間的差距幾乎總是資料標註問題。

用於品質檢測的電腦視覺模型需要精確標註的訓練影像。一個用粗略繪製的邊界框訓練的刮痕偵測模型將在生產中產生粗略、不可靠的偵測結果。一個用不一致類別訓練的表面缺陷分類器將產生不一致的分類。標註流水線決定了模型所能達到的效能上限。

本指南涵蓋了如何為三個核心製造業檢測用例設計和建構影像標註流水線：缺陷偵測、表面分析和組裝驗證。

標註策略對比

任何基於視覺的檢測流水線中的第一個架構決策是標註策略。每種策略擷取不同的資訊並適合不同的檢測任務。

將策略對應到用例

選擇錯誤的標註策略會浪費標註工作量並限制模型能力。以下是每個製造業用例如何對應到適當策略的說明：

建構影像標註流水線

用於製造業檢測的生產標註流水線不僅僅是在影像上畫框。它需要擷取、預處理、標註、品質保證和版本控制的匯出。

階段 1：影像擷取和預處理

製造業檢測影像來自線掃描相機、面掃描相機、顯微鏡、X 光系統和智慧型手機拍攝。每種來源有不同的解析度、色彩空間和中繼資料特徵。

預處理一致性至關重要。如果訓練影像的曝光、裁切區域或方向不一致，模型將學習偵測光照變化而不是缺陷。在標註開始之前標準化預處理。

Ertas Data Suite 透過 Image Parser 節點擷取影像，該節點提取嵌入的中繼資料（EXIF、解析度、色彩空間）並將影像送入處理流水線。視覺化畫布使得在影像到達標註階段之前添加正規化步驟變得簡單直觀。

階段 2：標註工作流設計

標註工作流必須針對特定的檢測上下文進行設計，而不是從通用標註工具配置中改編。

缺陷分類體系設計是基礎。一個金屬沖壓操作的良好分類體系可能如下所示：

設定最小標註尺寸可以防止標註人員標記低於生產相機系統偵測門檻的偽影。如果生產相機的解析度為每像素 0.1mm，且缺陷必須至少 0.5mm 才有意義，則小於 5 像素的標註就是雜訊。

階段 3：標註品質保證

標註人員之間的標註一致性是製造業檢測資料集中最大的品質風險。兩個標註人員看同一張刮痕影像可能會畫出不同大小的邊界框、對嚴重程度分類不同，或對標記是刮痕還是工具痕跡產生分歧。

標註者間一致性協議：

按策略的目標標註者間一致率：

• 影像分類：95% 或更高一致率
• 邊界框：0.75+ IoU（交集與聯集比）
• 語義分割：0.70+ IoU（像素級一致更難）
• 關鍵點：距參考位置 5 像素以內

階段 4：資料增強和平衡

製造業缺陷資料集天然不平衡。運作良好的產線產出的良品遠多於次品。反映自然缺陷率的資料集可能包含 99% 的通過影像和 1% 的不通過影像——這將訓練出一個對所有東西都簡單預測「通過」的模型。

平衡策略：

• 受控採集： 在品質保留、返工站或破壞性測試期間有意收集和拍攝缺陷零件
• 合成增強： 對缺陷影像應用幾何變換（旋轉、翻轉、裁切）、色彩抖動和雜訊添加以增加其代表性
• 複製貼上增強： 對於分割任務，將已標註的缺陷區域貼上到乾淨的零件影像上（需要像素級分割遮罩）
• 基於 GAN 的合成： 使用在真實缺陷上訓練的生成模型產生合成缺陷影像（每類至少需要 200-300 張真實缺陷影像）

目標平衡取決於用例。對於安全關鍵檢測（汽車、航太），保持至少 5:1 的良品與缺陷比率，並對稀有缺陷類型進行大量增強。對於外觀檢測，10:1 的比率通常足夠。

階段 5：匯出和模型整合

匯出格式必須與模型框架匹配。製造業檢測常用的格式：

Ertas Data Suite 透過可配置的匯出節點匯出已標註的資料集。流水線方法意味著匯出步驟是可複現的——當採集新影像時，它們流經相同的預處理、接受標註、通過相同的 QA 檢查，並以相同的格式匯出，無需人工介入。

製造業的本地化部署需求

製造業影像資料通常包含專有的產品設計、製程參數和品質指標，這些代表著重要的競爭優勢。將工廠車間的影像傳送到基於雲端的標註工具會引入大多數製造商不會接受的智慧財產權暴露風險。

除了智慧財產權顧慮，製造業環境通常網路連線有限或受限。工廠車間的工作站可能處於沒有網際網路存取的隔離網路上。無需雲端依賴即可執行的本地化標註流水線不僅僅是合規偏好——它是營運需求。

Ertas Data Suite 作為原生桌面應用程式執行，無需網路暴露。視覺化流水線完全在本地運算上執行，標註工作區（目前正在積極開發中）專為領域專家設計——品質工程師和產線操作員——他們了解缺陷但不應該需要安裝 Python 環境或配置標註伺服器。

實施檢查清單

對於建構製造業檢測 AI 的團隊，資料流水線應在模型訓練開始之前滿足以下每一項要求：

1. 標準化影像採集 — 所有訓練影像保持一致的光照、角度、解析度和感興趣區域
2. 設計缺陷分類體系時有品質工程師的參與，而不僅僅是 ML 工程師
3. 根據生產相機解析度和缺陷重要性設定最小標註尺寸門檻
4. 校準標註人員，在前 200-500 張影像上進行雙重標註階段
5. 實施持續 QA，對 10-15% 的已標註影像進行抽樣檢查
6. 在訓練之前透過受控採集和增強解決類別不平衡
7. 版本化資料集，以便模型效能可以追溯到特定資料版本
8. 以目標框架格式匯出，配以可複現的流水線步驟

交付可靠檢測模型的團隊在標註品質上投入巨大。在生產中掙扎的團隊通常是在標註上趕工，使用不一致的標註、不平衡的資料集或沒有 QA 流程。流水線就是產品。