质量工程师无需视觉专家也能搭建 AI 检测吗？

可以，质量工程师无需先成为机器视觉专家，也能主导 AI 检测项目。 最佳起点是对零件的了解：缺陷是什么样、允许哪些变化，以及从何处能稳定看到所需特征。

在 Mansfield Engineered Components，一位此前缺少视觉相机经验的质量工程师使用 OV Spark 建立了线末检测。该应用检查铰链装配特征，替代之前依赖操作员目视检查的流程。这说明工艺专家可以主导首个视觉项目，但不代表每项应用所需工作量都相同。

MEC 检测工位发生了哪些变化

检测将零件对齐与垫圈、销等装配特征检查相结合。缺少垫圈是反复出现的问题，团队使用相机工具检查装配。工位还通过 AI Trigger 拍摄零件，无需独立的外部触发传感器。

关键成果是一套运行中的生产应用。随后团队将 Spark 用于两条产线。可阅读 OV Spark 发布故事中的 MEC 生产案例 了解客户经历。移动应用后，仍需在新位置检查成像并重新验证。

先明确决策，再选择工具

打开配方编辑器之前，先用清楚的语言写下合格判定要求。四个垫圈全部在位是一项决策，使用 AI 则不是。如果要求涉及尺寸、代码读取或表面缺陷，应先定义团队认可的合格结果。

然后让相机看到决策两侧的样本。仅有一个完美合格件并不充分。应包括表面、位置和材料批次的正常变化，以及接近验收边界的缺陷，为选工具和评估表现建立现实基础。

Sparky 能在哪些环节提供帮助

Sparky 是 Spark 和 Spark Pro 内置的 AI 智能体，可协助选择检测工具、配置配方、解答相机问题，并浏览已保存的检测图像和结果。帮助就在实际操作的控制界面旁。

智能体协助搭建检测的人。生产决策由已配置的检测工具执行，对话不替代这些工具。Sparky 的写入操作需要批准。团队仍负责图像、训练样本、决策规则和经验证的生产配置。

首个项目的实用步骤

1. 让特征清晰可见。 确定视野、零件位置、对焦、曝光和照明，检查最难识别的合格件和最小相关缺陷。
2. 建立检测。 使用适当的 AI 和规则工具，将结果组合成预期的合格判定。首个配方应围绕清晰的要求。
3. 测试未参与配置的样本。 保留部分零件和图像供独立测试，检查误剔除和漏检，尤其是临界样本与允许的变化。
4. 集成响应。 与控制负责人确认触发、PLC 结果、零件跟踪和可用决策时间。
5. 在产线上验证。 以生产速度运行完整工位，明确结果缺失或延迟时的处理方式，并培训使用人员。

这些是不同的工作。保存图像上的配方表现良好，仍可能因运动模糊、触发延迟，或剔除信号对应到下一件零件而在生产中失败。

何时应尽早请专家参与

若特征难以成像、缺陷相对视野极小、零件高度或朝向变化，或决策时间很紧，应尽早寻求帮助。反光表面、多视角和尺寸验收要求也可能需要光学或控制评审。

目标是让工艺专家在适当支持下主导项目。简单的缺件检查与困难的表面计量应用不应被描述成同一类任务。

让检测易于维护

记录经验证的配方和成像设置，保留代表性测试集，明确变更批准人。培训各班次理解失败图像，并知道何时升级处理，而不是随意改阈值。每次更新配方后重新运行测试集。

首个项目可带上零件和要求，与 Overview 工程师讨论。我们将协助选择可控的起始应用，并在相机承担生产决策前商定必要的验证证据。