制造业质检上视觉 AI：先算误判成本，再谈精度
漏检和过杀的单价差 1 个数量级，阈值就该不一样。
本页不谈模型选型排行榜，只谈怎么把验收标准写成可验收的数字；不承诺具体降本幅度。
一、先回答一个问题：错一次贵多少钱
绝大多数质检项目卡在验收阶段，不是因为模型不行，而是因为没人说清“错一次多少钱”。把两类错误分开算：漏检是把不良漏到客户端，代价是退货、索赔、产线停线；过杀是把良品判成不良，代价是返工工时与良率损失。两者差距往往是一个数量级，所以同一个模型在不同产线上的最优阈值不同。
| 错误类型 | 典型代价构成 | 可接受的调整方向 |
|---|---|---|
| 漏检 | 退货运输、索赔、客户扣分 | 阈值从严，接受过杀上升 |
| 过杀 | 返工工时、良率报表、复判人力 | 阈值放宽，靠后道工序兼防 |
| 复判成本 | 每条报警需人工确认的秒数 | 只看报警率，不看整体精度 |
二、样本与标注的真实门槛
总量不是关键，覆盖才是。每一类缺陷至少要覆盖 3 种相机角度、2 种光照条件，否则上线时一件产品换了方向就会失效。类别本身不复杂时，每类 200–300 张可用样本就能跑出第一条基线；卡住项目的是边界样本与“看起来像不良的良品”，这类样本只能从产线上攒。
三、训练与推理要分开算钱
训练与微调是短时高强负载：几十个小时就结束，适合按实计费、用后释放；推理是常驻负载，看产线节拍与并发相机数。把两者混成一份预算，一定会出现“日常想买整机、峰值卡不够”的两头错。选型与起租台数见 算力租赁总览，卡型对比见 卡型选型。
当期站内已登记的价格口径：H100 一年期 9.3 万元/台/月（32 台，2026-09-28）；H200 64 台三年闭口 14 万元/台/月（2026-10-21 事实核）。价格随时点变动，正式报价以书面确认为准。
四、上线验收的三个指标
- 报警率：每千件报警多少条，决定复判人力，比 mAP 更能对上财务口径。
- 漏检率（抽检回测）：拿上线后一个月的抽检结果反算，不要只用验证集。
- 单条判断耗时：超过产线节拍就相当于没有这个模型。
五、反例：这些情况不要上
①不良率低于万分之五且客户无扣分条款：先算投入产出，机器学不到足够的正样本。②缺陷定义还在变：先把判定标准写成图文手册，否则标注一直在重做。③相机与光照未固定：先做治具，模型救不了没准头的成像。④产品一年换两代：每代都要重标，先估清维护人力。
六、常见问题
要不要直接从传统视觉转到深度学习？
不必要。尺寸测量、定位、明显色差继续用规则算法更快更稳；深度模型先接管“规则写不出但又必须判”的那类缺陷，两者并存是常态。
模型上线后还需要多少人维护？
至少半个人的持续工作：收新的边界样本、按周回测漏检、每季度复校阈值。没人接这个循环，模型会在三到六个月内悄悄失效。
边端还是中心推理？
延迟要在百毫秒级、且断网不能停线，就把推理卡放到现场；能做批处理、容忍秒级延迟，中心推理更便宜也更好维护。