客户的第一句话：我们图很少
做工业AI质检，十家有八家开口就是样本少。某五金件厂的现状是：缺陷图不到500张，正常品倒是有几万张。老板问500张够不够。我的回答是：看你要做到什么程度。
先定类别，再谈算法
他们原来把缺陷分成11类，我看完样本后合并成5类：划伤、凹坑、毛刺、混料、尺寸超差。类别分得越细，样本越不够，准确率越上不去。先满足产线拦截的需求，别一上来追求学术级分类。
500张怎么变成有用的1万张
三招。第一招是传统增强：旋转、亮度、加噪声，简单但有用。第二招是对抗生成，用GAN补充划伤纹理，生成了约2000张。第三招是借力：从兄弟工厂的同类产品调了3000张图做预训练，再用自家500张微调。
效果：识别率从最初94%提到98.6%，漏检压到0.3%。这里的关键是第二招和第三招，光靠第一招撑不起来。
什么时候该退回规则算法
尺寸测量类的缺陷，我从不用深度学习。边缘卡尺、轮廓匹配这类传统视觉，精度稳定、可解释、好维护。深度学习适合纹理复杂、说不清判定标准的场景，比如表面划伤、色差、印刷瑕疵。
上线后的持续学习
我们定了个机制：每天把误判的图挑出来，周末人工标注回灌。三个月后模型把一批新供应商来料的特殊纹理学会了。AI质检不是一锤子买卖，是个要持续喂的活物。
成本账和替代边界
整套方案投入约75万：工业相机镜头18万、光源和机械9万、边缘服务器12万、软件和模型开发26万、集成10万。替掉的是三班六个质检员加两个复检员，一年省工资约55万，加上减少的客诉，回收期一年出头。
但要说清楚边界：AI质检不能完全替代人的判断。他们的做法是机器拦大概率缺陷，人工终检兜底，人只看机器拿不准的4%。把人放在最擅长的位置上，人机配合的效率高于任何一方单干。指望一套视觉系统裁掉全部质检员的厂，最后往往因为客户投诉省下的钱全赔回去。
硬件上还有个省钱的招：推理放边缘服务器，训练放普通GPU工作站，没必要上训练集群。他们这套硬件一共三十来万，够用三年。很多厂商一上来推荐算力过剩的方案，按推理帧率和模型规模算需求，往往能省一半钱。