数据准备 · 外观检测方案 · 证据范围
方案覆盖 9 类缺陷，首期建议 2 个检测分项；数据导入校验问题 0 项只说明训练前置检查通过，不代表生产准确率。
以下沿用既有公开记录；未公开的样本量、版本、拍摄条件和客户验收结果，不用推测补齐。评估类似项目时，请重新核对适用条件。
了解指标口径与试点验收 →该案例面向工业产品外观缺陷、孔位异常、边角破损等检测项，重点提升人工质检一致性、检测留痕和多工位扩展能力。
已有方案范围与数据准备
- 场景方案覆盖 9 类缺陷：孔洞/孔位异常、开槽异常、喷漆色差、表面裂痕、边角崩裂、孔边破损、霉变、脱漆和划痕。
- 首期建议先收敛 2 个检测分项：孔洞/孔位异常和边角崩裂，避免一次性覆盖全部缺陷导致验收口径发散。
- 训练前置样本导入校验已通过，图片、标签、类别文件可追溯，当前校验问题 0 项。
现场场景
该场景面向竹加工产品、竹制半成品和喷漆后产品的外观质检。现场需要识别孔位偏移、孔径异常、开槽质量、边角崩裂、裂纹划痕、色差霉变和脱漆等问题。
这类质检场景不适合直接用低清视频做主链路，更适合采用固定工位、固定治具、稳定光源和工业相机触发拍照，再结合检测、分割、测量和规则判定形成 OK/NG 结果。
业务问题
人工视觉检测容易受到人员经验、疲劳程度和判断口径影响。对于孔位异常、边角崩裂、裂纹划痕、色差和表面瑕疵等检测项，现场需要更稳定的判断标准和更清晰的结果记录。
竹材天然纹理、颜色批次差异和缺陷边界模糊，会显著增加误报和漏检风险。因此首期不能只追求模型指标，而要先把缺陷字典、采集条件、标注规范和复核机制建起来。
平台做法
OrdVista 可将检测项拆解为场景对象和任务对象，通过固定工位、工业相机、稳定光源和治具约束采集条件，再结合云端训练与现场检测形成闭环。
首期以孔位/孔径和边角崩裂为优先项，使用候选检测、几何测量、轮廓分析和公差规则建立 OK/NG 门槛。后续再扩展开槽、裂纹、色差、霉变和脱漆等更依赖光学和样本规模的缺陷项。
拟交付内容与验证口径
完成现场验证后，拟交付原图、结果图、缺陷类别与位置、OK/NG判定、人工复核及样本回流记录。验收需按缺陷类别分别核对识别结果、误报和漏检。
当前“校验问题0项”仅表示训练前置数据导入检查通过，不代表模型生产准确率；正式指标需要基于现场样本、拍摄条件与缺陷标准确认。
预期价值与验收关注
预期帮助统一检测与复核口径，保留缺陷依据。能否减少漏检、误判或返工风险，应按缺陷类别与实际样本评估。
新增检测项、多相机和多工位扩展属于后续实施选择；是否适合长期使用，需要持续训练评估、结果追溯与现场维护记录支持。
