从「我觉得这有划痕」到「机器帮我盯划痕」
前面八章都在铺垫。到这一章，我们第一次真刀真枪做一个能上产线的算法。
为了讲清楚，我们全程盯着一个具体活儿：检测一块金属件表面有没有划痕。这活儿够典型——工厂里九成的视觉检测，本质都是它的变种：检有没有、检对不对、检歪没歪。你把这一个吃透，换成「检标签贴没贴正」「检焊点有没有虚焊」，流程一模一样，只是「什么算坏」那条标准换个说法。
我把整件事拆成五步：定问题、收数据、选方法、训练评估、部署。每一步我都会告诉你：这一步在干嘛、为什么、AI 能替你到哪、你必须自己盯住什么。
一句话预告本章的灵魂：决定成败的从来不是你选了哪个模型，而是你喂给它的数据干不干净、你对「什么算划痕」的定义清不清楚。模型是别人早就调好的现成货，数据是只有你能给的东西。
第一步：先定问题（其实是回到第三章）
很多人一上来就问「用哪个模型」。错。第一步是回到第三章的规格，把问题定死。做视觉检测，你至少要先回答四个问题：
- 什么算划痕？ 长 0.2 毫米的算不算？油污反光看起来像划痕算不算？工件本来就有的纹理算不算？这条线你划在哪，机器就学到哪。
- 漏检和误检，哪个要命？ 漏检=有划痕你说没有（放了个次品出去）；误检=没划痕你说有（把好件当废品扔了）。这两个错的代价往往天差地别——漏一个划痕流到客户手里可能索赔十万，误判一个好件顶多浪费一块钢。
- 要多快？ 产线一秒过三个件，你的检测就必须半秒出结果，再准但要三秒也白搭。
- 放在哪测？ 传送带上飞着测，还是停下来测？光是固定的还是会变？
这四个问题，AI 一个都替你答不了。它不知道你客户能容忍多大的划痕，不知道你这条线的节拍。这是你的领域知识，是你作为产品经理的核心价值。想清楚了写成一页纸，这页纸就是后面所有工作的宪法。
回忆第八章那个「准确率悖论」：如果一百个件里只有一个有划痕，机器闭着眼睛全判「好」，准确率就是 99%——却漏掉了唯一该抓的那个。所以从第一步起，你关心的就不是「准确率」，而是「一百个真划痕，你抓住了几个」。
第二步：收集和标注图像——最累、最关键、最不能外包
现在要给机器准备教材了。机器学缺陷检测，靠的是看大量「这是好件、这是坏件」的例子。这就引出全章最重的一个词。
标注=人工在图片上标明哪是好、哪是坏、划痕在哪。说白了就是给机器出练习册，而且每道题的标准答案都得你亲手写。机器有多聪明，取决于这本练习册出得有多准。
你得去产线上，真的拍。拍几百张有划痕的、几百张没划痕的。而且——这一点极其重要——要拍各种各样的：不同批次的料、不同角度、车间早上和下午不同的光、划痕在边上的和在正中间的、深的浅的长的短的。
为什么这步最累又最不能外包？因为标注的人必须真懂什么算划痕。你雇个大学生标一天，他不懂工艺，把反光当划痕、把真划痕当油污放过去，这本练习册就全是错题。机器会忠实地学会你所有的错误。它不会纠正你，只会放大你。
行业里有句实话：算法工程师八成的时间不是在调模型，是在跟数据死磕、跟标注错误死磕。这不是他们水平差，这是这行的本来面目。
AI 能帮你到哪？它能帮你搭一套标注的流程和小工具（比如一个网页，让你在图上拉个框就存下坐标），能帮你把标好的数据整理成机器要的格式，甚至能先粗标一遍让你来改。但「这一张到底算不算划痕」这个判断，AI 给不了你——它自己都还没学会，正等着你教。这是你和机器之间不可转让的分工。
第三步：选方法——别从零训练，站在巨人肩膀上
到了选模型这步，小白最容易被劝退，因为一搜全是吓人的术语。我给你一条最省力、也最主流的路，两个词就能讲明白。
预训练模型=别人已经在几百万张各种图片上训练好的一个「通用视觉底子」。它早就学会了什么是边缘、什么是纹理、什么是形状、什么是「不一样的地方」——这些通用的看图能力，检划痕也用得上。
迁移学习=你不从一张白纸开始教，而是拿这个现成的底子，用你那几百张金属件图片再「补习」一下，让它把通用的看图能力专门用到「认划痕」上。
打个比方：从零训练，像是要培养一个验光师，你得先教他从睁眼看世界学起。迁移学习，是请一个视力极好、什么都见过的成年人，你只花两天教他「这种细纹叫划痕、要挑出来」。前者要几百万张图、几周算力；后者几百张图、一下午就行。「几百张也能work」的秘密，全在这里。
所以对你来说，选方法不是去比十个模型谁强，而是选一个成熟的预训练模型做迁移学习就够了。哪个具体模型？让 AI 推荐，它会根据你的场景（要多快、跑在什么设备上）给你选。这一步 AI 帮得上大忙——写训练代码、配环境、挑模型，都是它的活。你只要盯住一件事：别被忽悠着去从零训练，那是烧钱烧时间还不一定更好的弯路。
第四步：训练 + 评估——盯住机器错在哪
训练=让机器一遍遍看你的练习册，自己调整内部参数，直到它的判断尽量对上你的标注。这步基本是 AI 写代码、机器自己跑，你等着就行。
关键在评估。别只看它甩给你一个「准确率 98%」就高兴。回到第八章的两把尺子：
- 查全率（召回）=一百个真划痕，机器抓住了几个。漏检要命的场景，这个是命根子。
- 查准率=机器报警说「有划痕」的里头，有几个是真的。误检浪费大的场景，看这个。
然后做一件最有价值的事：把机器判错的样本一张张调出来看。它把哪些真划痕漏了？把哪些好件误报了？看着看着你往往会恍然大悟——「哦，它一碰到边缘反光就误报」「哦，浅划痕它基本都漏」。这些发现会直接告诉你：练习册里这类样本太少了，回第二步补拍补标。训练不是一锤子买卖，是「看错题→补数据→再练」的循环。
第五步：部署到相机边上（这里只开个头）
模型练好了，最后要把它搬到产线相机旁边那台小设备上，实时看每一个工件。这一步细节留给第十一章。这里你只要记住一件事：训练是在你电脑上、慢慢来；部署是在车间里、一秒好几个件飞过去实时判。环境全变了，能跑通不等于能跑住——第十二章专门讲这个。
本章灵魂：为什么「准确率 99%」在产线上可能还是不能用
这一步最容易让人高估自己：demo 里数字漂亮，一上真产线就翻车。为什么？
第一，类别极不均衡。产线上真划痕是少数，前面说过，机器全判「好」都能拿高准确率。所以准确率这个数字，在缺陷检测里几乎是骗人的，你要盯查全率。
第二，漏一个致命缺陷的代价。查全率讲的是「真次品里你抓住了几成」——假设一百万件里真有一万个划痕件，就算你查全率高到 99%，也还是放走了大约一百个次品。这一百个够不够呛，你的客户能不能接受，是业务问题，不是技术问题——又回到你身上了。
第三，也是最阴险的一个，叫数据漂移=你真正要检的工件，跟你当初拍照片、教机器时的工件，悄悄变得不一样了。换了个供应商的料，表面反光变了；车间换了灯，或者只是从夏天到冬天光照角度变了；镜头蒙了层油雾。机器还是按老经验判，就开始胡说八道。
demo 翻车九成不是模型笨，是你给它看的世界和它现在面对的世界，已经不是同一个了。
所以「上线」不是终点，是起点。你得定期抽查、定期拿新工件的照片补进练习册再训一次。这不是麻烦，这是这类系统活着的方式——它跟你的产线一起变老，就得跟着一起学。第十三章会专门讲怎么盯住它、怎么迭代。
把这一章拧成一句话
你现在有能力借 AI 从零做出一个视觉缺陷检测：AI 替你写代码、搭标注工具、选模型、调参数、跑训练——这些体力活它全包了。但有三件事永远是你的，谁也替不了：定义什么算缺陷、判断每张图的对错、决定这个准确率业务上到底能不能忍。
说到底，模型是买来的现成引擎，数据和标准是只有你能造的燃料和方向盘。下一章我们换个战场：不看图片，看一条随时间起伏的曲线，做时序和异常检测。