AI 质检异常诊断助手 | Demo Day

AI 质检异常
诊断助手

面向制造业视觉质检场景,连接质检记录、缺陷样本、模型版本与产线环境数据,帮助质量团队定位异常原因、核验证据并推动处理闭环。

综合视图产品界面

让分散数据,成为可追踪的诊断依据。

质检记录缺陷图片模型版本班次信息产线设备材料批次
业务问题

AI 质检上线后,
异常排查仍然很慢

AI 视觉检测效果会受到光照、材料批次、设备角度、样本覆盖和模型版本等因素影响。当漏检率或误检率突然升高时,质量团队需要跨系统查指标、看图片、找模型版本、问产线变化,才能判断问题来自哪里。

数据分散

质检记录、缺陷图片、标注结果、模型版本和设备信息分布在不同系统。

原因难判断

同一个漏检率上升,可能来自样本不足、光照变化、模型老化或新材料批次。

处理难闭环

补样本、重新标注、模型复训、设备排查和效果验证往往分散推进。

一条可追踪链路

让系统主动把异常、证据、建议和任务组织成一条可追踪链路。

异常闭环

从异常发现
到处理验证的闭环流程

产品以质量工程师的异常排查路径为主线,把分散数据整合成可执行流程。AI Agent 负责汇总、分析和建议,用户负责确认、分配和验收。

01

发现异常

今天哪条产线最需要处理

按风险等级聚合产线、缺陷类型和趋势变化

02

AI 诊断

异常为什么发生

读取指标、样本、模型和产线数据,生成原因排序

03

证据核验

AI 的判断是否可信

展示代表性样本、班次对比和关键指标证据

04

任务创建

下一步谁来处理

把建议动作转为标注、复训、设备排查任务

05

效果追踪

处理后是否真的改善

对比漏检率、召回率和任务闭环状态

质量闭环流转组件

AI 不止输出诊断结论,还将建议动作转化为可执行任务,并持续追踪改善结果。

验证场景

从发现异常
到形成可验证的改善闭环

以下内容为产品概念验证中的设计目标,用于说明产品希望改善的工作方式,不代表真实上线结果。

01

异常定位

跨系统人工排查统一证据链
02

处理方式

口头协同责任到人的任务闭环
03

改善验证

只看当前指标对比处理前后效果
04

决策依据

依赖个人经验指标、样本与上下文共同验证
产品界面

五个核心页面
支撑完整质检诊断链路

综合视图

让主管快速看到运营总览和风险信号

运营总览 · 质量闭环流转 · 异常定位工作台

异常看板

帮助质量工程师优先处理高风险异常

风险产线分布 · 异常列表 · 趋势和筛选

AI 诊断

展示 Agent 的诊断结论、原因排序和证据链

可信度 · 诊断依据样本 · 推理步骤 · 建议动作

问题样本

把诊断结论落到真实缺陷图片证据上

缺陷缩略图 · AI 框选 · 置信度 · 复核状态

处理任务

把 AI 建议转为可执行任务并验证效果

负责人 · 优先级 · 状态 · 处理前后指标
AI 诊断

AI Agent 如何完成
质检异常诊断

Agent 对比质检指标、缺陷样本、模型版本与产线上下文,输出可复核的原因排序、证据链和建议动作。

质检指标

漏检率、召回率和趋势变化

问题样本

缺陷图片、人工标注和复核

模型版本

版本表现和样本覆盖

产线信息

班次、设备和材料批次

时间对比班次对比缺陷类型对比样本覆盖对比模型版本对比
AI 诊断证据与建议组件
诊断示例 · 3 号产线

从异常指标,
找到可验证的原因

3 号产线细微划痕漏检率升高,主要与夜班光照变化和细微划痕样本覆盖不足有关。

6.8%夜班漏检率
2.1%白班漏检率
图片平均亮度下降 23%当前模型 v2.346 天未更新
处理任务与效果验证组件
建议动作

让诊断结果,
进入可执行的处理流程

  • 补充 300 张夜班样本
  • 重新标注细微划痕
  • 基于 v2.3 发起增量复训
  • 检查夜班光源稳定性

建议由用户确认后进入任务流程,并持续追踪处理效果。

夜班低亮度样本
光照变化 · 亮度证据
细微划痕样本
细微划痕 · 样本覆盖
边缘缺陷样本
缺陷类型 · 对比证据
AI 可做

汇总、分析和建议

诊断结论、原因排序、证据链、建议动作、风险等级。

人需确认

确认、分配和验收

复训模型、调整阈值、上线模型和关闭异常必须人工确认。

产品架构

把质检数据、模型结果
和任务系统连接起来

01

数据接入层

质检记录 · 缺陷图片 · 人工复核
模型指标 · 产线设备数据

02

诊断上下文层

关联模型版本、班次、设备、材料批次与样本覆盖,让每个异常拥有完整上下文。

03

AI 诊断层

异常检测 · 模式对比 · 原因排序 · 证据链生成

04

业务闭环层

标注任务 · 复训任务 · 设备排查 · 效果验收

处理结果持续回流至样本库、模型复训和诊断规则。AI 整理上下文与证据,由人完成可控决策。

迭代故事

从异常看板
迭代到 AI 诊断闭环

第一版

看见异常

只展示异常指标和风险列表

解决“看见异常”的问题,但原因仍需人工排查

第二版

理解异常

加入样本证据和原因排序

让异常从指标变成可复核的诊断结论

下一步计划

让每一次异常处理,
成为下一次诊断的依据

接入更多设备数据 · 沉淀异常案例库
支持跨产线复用诊断策略