制造企业可以先在产品资料检索、售前材料整理等低风险任务中验证AI。视觉质检属于另一类问题，需要代表生产现场的图像、缺陷定义和独立验证，不能把文案生成工具直接当作质量检测系统。

产品资料先统一字段

整理型号、参数、单位、适用工况、版本与批准发布的图片。相近型号不得仅按名称推断兼容性；客户需求缺参数时应追问。生成售前方案时同时标出依据的产品资料和无法确认的条件。

质检数据需要覆盖现场变化

样本应覆盖正常件、不同缺陷、批次、光照、相机和生产速度。训练与测试避免使用同一工件的近似照片，防止高分来自记忆。缺陷标注需定义严重程度并由业务人员复核。

把漏检与误报分别计算

不同缺陷的漏检影响不同，不能只报告整体准确率。记录误报导致的返工与人工复核时间；在试运行中保留人工检验，验证模型变化和设备变化是否影响结果。

不要省略生产系统边界

连接MES、ERP或设备时明确只读查询、建议输出和实际控制的区别。超出验证工况、图像质量差或接口异常时回到人工流程。发布产品参数和质检结论都应由相应负责人确认。

质检结论怎样验证

训练图片应覆盖光照、角度与缺陷类型，测试时使用未参加训练的生产批次。

分别检查漏检和误报，不用整体准确率掩盖关键缺陷遗漏；异常结果进入人工复核队列。

例如细小缺陷样本稀少，应单独检查这类漏检，不能被大量合格图片形成的高总体准确率掩盖。