IAF · 工业视觉质检 · 端侧 AI 落地
汽车产线端侧 AI 视觉质检完整指南
从手册解读、落地清单、相机标定，到普及现状、竞品拆解与差异化产品矩阵
整理自完整问答 · 共 7 个主题 · 离线可阅读 · 支持关键词检索与打印
目录导航
- 基础与规范
- [① IAF 手册与入口](#① IAF 手册与入口)
- [② 落地检查清单](#② 落地检查清单)
- [③ 清单怎么用](#③ 清单怎么用)
- [④ 相机标定指什么](#④ 相机标定指什么)
- 市场与产品
- [⑤ 端侧场景图谱](#⑤ 端侧场景图谱)
- [⑥ 端侧 AI 普及度](#⑥ 端侧 AI 普及度)
- [⑦ 竞品拆解](#⑦ 竞品拆解)
- [⑧ 差异化产品矩阵](#⑧ 差异化产品矩阵)
清除高亮
打印 / 导出 PDF
主题 ① · 标准与资料
IAF 的在线质量与计算机视觉手册 {#iaf-的在线质量与计算机视觉手册 .q}
这里指的是 IAF《In Line Quality and Computer Vision Manual》（在线质量与计算机视觉手册），由 International Automotive Federation（国际汽车联合会，IAF）发布，定位是"汽车产线计算机视觉自动检验质量手册"，覆盖冲压、焊接、涂装检验、光学标定、判定容差、模型验证与受控放行。
一、在线访问入口 {#一在线访问入口}
- IAF 资源页（可查看/下载）： https://www.iaf.com/resources（在 Manuals 列表里找 "IAF In Line Quality and Computer Vision Manual"）
- 直链预览（PDF inline）： https://www.iaf.com/download.php?id=88&inline=1
**注：**原"国际认可论坛(IAF)"已于 2026-01-01 停止运作，归档迁到 Global Accreditation Cooperation；但"汽车联合会 IAF"这套产线质量手册是另一套体系，上面链接当前可访问。
二、手册核心内容（按章节逻辑） {#二手册核心内容按章节逻辑}
- 成像与光学基础：相机/镜头/照明/触发同步；标定、畸变校正、分辨率与像素精度核算；预处理（压缩/裁剪/归一化）不得丢失缺陷信息。
- 缺陷与判定体系：缺陷分类、严重度、边界样本（limit sample）；不把"拒收"直接等同于某具体缺陷，需确认真因。
- 数据集治理：训练/调参/独立测试集严格分离；同零件、近重复帧不能跨集泄露；合成数据不能冒充真实物理缺陷证据。
- 模型开发与配置受控：记录架构、依赖、阈值、标签映射、运行时硬件；先评估"简单确定性算法"是否够用，不盲目上深度学习；异常检测分数 ≠ 严重度/概率。
- 验证与统计证据：以"独立物理件数"而非"图片张数"统计；逐缺陷类报逃逸率、误拒率、置信区间；缺失图像/超时/身份错配等异常必须"fail-closed"。
- 产线集成与放行：与 PLC/SCADA/MES 握手、拒料机构、追溯留档；模型回滚、在线学习需单独变更控制。
三、对工程落地的关键提醒 {#三对工程落地的关键提醒}
- 先定缺陷目录+验收边界，再选相机和模型；
- 成像（光照/曝光/触发）决定上限，模型只是逼近上限；
- 评估口径必须是"零件级逃逸率"，不是"图片准确率"；
- 任何异常状态默认拒收，不能静默放行；
- 模型+预处理+阈值+硬件配置必须整体版本化、可复现。
主题 ② · 交付物 · 54 项可交互 HTML
落地检查清单 {#落地检查清单 .q}
已完成 《IAF 在线视觉质检落地检查清单》 ，共 10 个阶段、54 项检查，依据 **IAF-MAN-ICV-001 Revision 01（2026-09-15）**整理。
你可以直接用这份清单做什么 {#你可以直接用这份清单做什么}
- 上线前逐项评审：覆盖可行性、缺陷目录、成像照明、标定、数据分割、模型配置、独立验证、产线放行、开班挑战、漂移监控、失效围堵、变更回滚和审计。
- 筛选与统计：按阶段、完成状态、"必须项 / 建议项"筛选；页面自动统计通过数、不符合数和放行就绪状态。
- 记录验收证据：每项可填写状态、不符合说明、证据编号、责任人和期限。
- 导出评审快照：一键下载 Markdown 评审记录，便于会签和归档。
- 离线使用：所有内容保存在单个 HTML 文件中，状态保存在浏览器本地，无需联网。
三项最重要的放行控制 {#三项最重要的放行控制}
- 光学证据不可被算法替代：光学布置不能稳定揭示的缺陷，不应指望模型恢复。
- 独立最终测试不可污染：同一物理件、近重复帧及增强版本，不得同时进入训练集和最终测试集。
- 异常不得静默放行：标定无效、图像缺失、身份错配等情况下，系统应进入受控围堵，而不是继续自动放行。
文件可直接双击在浏览器中打开，无需安装软件。 配套文件：IAF在线视觉质检落地检查清单.html
主题 ③ · 使用方法 · 通俗解读
工业落地检查清单如何使用（通俗易懂说明） {#工业落地检查清单如何使用通俗易懂说明 .q}
把这份清单想象成 "产线视觉工位上线前的驾照考试" ------不是给模型打分之用，而是判断 这个工位能不能放心交给机器判良品。下面用大白话讲：它到底是什么、谁用、怎么用、按什么顺序用。
一、检查清单不是"技术题"，是"放行证据表" {#一检查清单不是技术题是放行证据表}
它里面每一项都不是"做没做"，而是三句话：
- 要查什么：比如"相机标定有没有失效保护"
- 怎么算过关：比如"标定异常时系统必须拦件，不能默认可过"
- 拿什么证明：截图、日志、测试件记录、签字
清单 = 把"老师傅心里有数"变成"白纸黑字可审计"。
二、谁该用这份清单（角色分工） {#二谁该用这份清单角色分工}
角色 用清单干什么
视觉/端侧工程师 对照搭系统，别漏掉触发、异常、回滚
工艺/质量工程师 确认缺陷定义、容差、挑战样件
产线班长/操作工 开班怎么测、红绿屏坏了怎么办
项目经理/客户 上线评审时一项项打钩，避免扯皮
一人公司交付时，你一个人要 同时演这四个角色，所以清单就是你的交付护身符。
三、使用顺序：别一上来勾"模型准不准" {#三使用顺序别一上来勾模型准不准}
- 先定"判什么"（需求关）：缺陷清单写没写清（划伤/漏焊/装反各算哪类）；最小缺陷尺寸、边界样件谁拍板；放过一件次品的代价；端侧输出是"放行 / 拦截 / 转人工"，谁有权改阈值。→ 没定清楚，后面全是伪需求。
- 再看"看得见吗"（成像关）：相机、镜头、光源、触发、安装刚性；最小缺陷在图里够不够 3~5 像素；换班次、换颜色、沾灰、震动后还能不能拍清；标定失效了，是报错还是瞎判？→ 这一关不过，模型再牛也救不了。
- 再验"判得稳吗"（验证关） ：训练集 / 测试集 / 挑战集 不能串件；用"独立物理件"算逃逸率、误拒率；拍一批"好件+坏件+临界件"做开班挑战；断网、丢图、相机超时 → 默认拦件不放行。
- 最后看"长期不糊弄"（运营关）：每班开班用标准件测一次；镜头脏了、灯衰了、模型漂移了谁发现；模型版本、阈值、预处理打包版本化，能回滚；每月复盘漏了啥、误杀多少、谁复核。
四、实际项目里怎么"用起来"（最小做法） {#四实际项目里怎么用起来最小做法}
假设你给客户做一个 RK3568 端侧焊点检测盒子：
- 建一个 Excel/Markdown 表，把清单 54 项贴进去，加三列：状态 （通过/不通/部分）、证据 （截图/日志/测试件编号）、责任人+日期。
- 试点阶段只跑 1 个工位，不铺全厂。
- 每天开班：放 3 个好件、2 个坏件、1 个临界件，记录系统判对没，不对就锁工位。
- 客户验收那天：打开清单一项项过，每一条都能点出"证据文件"。
- 上线后：每周看一次误拒/逃逸曲线；模型更新先影子运行，再切真判定。
五、三个最容易"假通过"的坑（清单里要死磕） {#五三个最容易假通过的坑清单里要死磕}
- "模型准确率 98%" → 错口径。要问：多少真实零件？坏件够不够？按件还是按图？
- "绿屏就是没问题" → 错。绿屏可能只是相机没拍到、ID 错了、超时跳过了。
- "先上线再调" → IAF 原则：关键项没过，不许放行对应范围。可以先并行人工检，但不能自动替人拍板。
**一句话记忆版：**先定规矩 → 再保拍得清 → 拿真件考 → 异常必拦 → 每天开班考 → 版本可回滚。它不是"AI 多聪明证明"，是"工位值不值得信"的放行单。
主题 ④ · 基础知识
相机标定指什么 {#相机标定指什么 .q}
用大白话讲，相机标定就是：**告诉机器"照片里的一个像素，在真实世界里到底等于多少毫米，以及照片里的点，对应真实世界的哪个位置"。**视觉检测系统要"拿尺子量"或者"拿坐标找位置"，就必须先过这一关。
一、为什么必须标定？ {#一为什么必须标定}
- 相机是斜着装的，拍出来是"梯形"，不是"正方形"；
- 镜头有畸变，画面边缘的直线会变弯（尤其广角）；
- 相机和工件距离、角度每装一次都不同；
- 光源、震动、换镜头都会改变"像素 ↔ 毫米"的换算关系。
不标定就量尺寸，就像拿一把没刻度的尺子量桌子------量出来的数没有意义。
二、相机标定到底标定什么（四件事） {#二相机标定到底标定什么四件事}
标定内容 通俗解释 检测里管什么用
内参 （焦距、主点、畸变） 相机"自己眼睛"的度数 把弯的图片拉直，算准尺寸
外参 （旋转、平移） 相机装在哪个位置、朝哪个方向 把图片坐标换算成机器人/工件坐标
像素当量 （mm/像素） 一个像素=实际多少毫米 算缺陷长度、面积、间隙
标定板/基准件 用已知尺寸的棋盘格或标准件 每次验证标定有没有失效
三、常见的标定方法（按场景选） {#三常见的标定方法按场景选}
- 棋盘格标定（最常用）：打印一张黑白棋盘格贴在平面上，拍几张不同角度照片，软件算出内参+畸变。适合固定工位、平面检测（焊点、表面缺陷）。
- 标准件标定（最实用）：放一个已知尺寸的工件（如直径 20mm 圆片），系统自动算"一个像素=多少毫米"。适合产线快速标定、开班验证。
- 手眼标定（配合机器人）：让机器人带着相机走几个位置，算出"相机看到的位置"和"机器人实际位置"的换算关系。适合机器人引导抓取、涂胶、装配。
- 激光/结构光标定（3D 场景）：用激光轮廓仪扫标准块，算高度、宽度、轮廓的毫米精度。适合焊缝、胶线、间隙面差测量。
四、IAF 手册里对"标定"的核心要求 {#四iaf-手册里对标定的核心要求}
手册不是让你"标一次就完"，而是强调 标定失效必须被检测出来，且系统必须 fail-closed（默认拦截，不能默认放行）。
- 标定有记录：标定日期、标定板编号、结果、操作人；
- 定期复标：每班开班、换镜头、动过相机、换光源后必须重标；
- 失效即拦截 ：标定板放上去测，误差超了 → 系统报警，不许继续自动判；相机被撞歪、镜头被擦、光源衰减 → 系统应能自动识别并锁工位。
相机标定 = 给机器戴上一副"量角器+尺子"眼镜。没标定 = 机器"看得见"但"不知道多大、在哪"；标定失效 = 眼镜歪了，量出来全错，必须摘下来重新调，不能继续用。
五、产线落地时你要做的（最小动作） {#五产线落地时你要做的最小动作}
- 打印一张 A3 棋盘格，贴铝板，防皱；
- 每班开班：放标定板拍一张，软件自动报"误差 0.03mm，OK"；
- 如果误差 > 0.1mm → 系统锁机，人工重调；
- 记录每次标定结果到日志，留作审计证据。
主题 ⑤ · 场景图谱 · 六大工艺环节
汽车产线视觉检测系统有哪些端侧 AI 场景 {#汽车产线视觉检测系统有哪些端侧-ai-场景 .q}
汽车产线的端侧 AI 视觉，核心不是"把大模型搬进车间"，而是把 "采样---判定---拦截"闭环放在工位旁。按车间工序 + 技术类型拆，可落地的场景如下。
一、冲压车间（Stamping） {#一冲压车间stamping}
- 钣金件外观缺陷：划伤、压痕、开裂、毛刺、氧化斑，端侧跑轻量检测模型（YOLO 系列量化版）；
- 回弹/形变测量：点云或双目+边缘推理，实时算轮廓偏差，替代离线三坐标抽检；
- 模具状态监测：结合冲压力曲线+视觉，端侧判"粘模/错位"，触发停机；
- 件序与追溯：端侧 OCR 读钢印/条码，绑定压机节拍。
二、焊装车间（Body/Weld） {#二焊装车间bodyweld}
- 焊点检测：焊点有无、偏移、飞溅、漏焊、凹坑（2D 视觉+小模型分类）；
- 焊缝质量：焊缝连续性、气孔（0.2mm 级）、咬边、虚焊；3D 激光轮廓仪+边缘分割；
- 涂胶/密封胶检测：胶线连续、宽度、断胶、偏移；
- 装配到位确认：钣金件定位销、夹紧状态、左右件防错；
- 机器人引导：视觉定位工件，给焊接机器人补偿位姿（端侧做轻量 pose 估计）。
三、涂装车间（Paint） {#三涂装车间paint}
- 漆面缺陷：灰尘点、流挂、橘皮、针孔、色差、漏喷（多光源反射成像+缺陷分割）；
- 光泽/橘皮指数：端侧算纹理特征，按车型/颜色自适应阈值；
- 电泳/前处理表面：油污、磷化不均；
- 腔体内部：探入式相机+端侧小模型看内板漏喷。
四、总装车间（Assembly） {#四总装车间assembly}
- 零件防错与存在性：螺丝、卡扣、线束、管路、传感器是否装、装反、装错型号；
- 间隙面差（Gap & Flush）：门缝/引擎盖/尾门，端侧测距+回归模型替代塞尺；
- 内饰件质检：座椅缝线、仪表台、出风口、显示屏划痕、标贴歪斜；
- 安全件核查：安全带锚点、气囊盖、儿童座椅接口，端侧高置信度判定+留证；
- SOP 行为视觉：拧螺丝动作、工序顺序、漏步、工具误用（人体姿态+时序模型）；
- VIN/条码/OCR：端侧读码，和 MES/BOM 比对，防车型配置错装。
五、零部件与 Tier1 场景（更高频） {#五零部件与-tier1-场景更高频}
- 机加工件：微裂纹、螺纹缺牙、端面碰伤；
- 铸造/锻造：缩孔、冷隔、夹杂；
- 电子电器：PCB 焊点、接插件极性、引脚歪斜、密封件漏装；
- 新能源三电：电芯极片表面缺陷、极耳翻折；模组 Busbar 安装、螺栓扭矩标记识别；高压接插件到位、绝缘罩缺失。
六、端侧 AI 的技术形态（不是只有目标检测） {#六端侧-ai-的技术形态不是只有目标检测}
- 分类：良品/次品、轻微/严重；
- 检测：YOLO 系（存在+位置）；
- 分割：漆面缺陷像素级、焊缝区域；
- OCR：零件号、批次、VIN；
- 几何测量：边缘+传统 CV 融合，AI 只做鲁棒性增强；
- 异常检测（小样本）：正常样本训练，端侧判"没见过的异常"，适合罕见缺陷；
- 多模态边缘：图+工艺参数（电流/温度/振动）融合判定；
- 轻量大模型：RK3588+M.2 算力卡跑"看图说话"式缺陷描述，辅助人工复检。
七、端侧硬件分层（对应场景优先级） {#七端侧硬件分层对应场景优先级}
硬件层级 算力特征 适配场景
RK3568 级（1TOPS 左右） 单相机、低帧率 读码/简单存在性/轻分类，适合低成本工位铺量
RK3576 级（2TOPS） 中小零件缺陷、双相机 <50ms 延迟
RK3588 级（6TOPS） 多路相机、整车外观 YOLOv8+分割，30~50ms 单帧
RK3588+算力卡 / Jetson / Ascend 310 多模态、复杂缺陷知识库 端侧语义报告
八、和 IAF 手册对齐的边界条件 {#八和-iaf-手册对齐的边界条件}
- 标定失效 → fail-closed（不默认 OK）；
- 图像丢失/超时 → 拒收或转人工；
- 模型版本+阈值+预处理打包受控，可回滚；
- 只传"结果+关键截图"出厂，原始帧本地留存溯源；
- 统计口径按"零件级逃逸率"，不是图片准确率。
九、最值得先切的 3 个高价值场景（一人公司可交付） {#九最值得先切的-3-个高价值场景一人公司可交付}
- 总装防错+OCR 绑定 BOM（轻量、好立项、ROI 清晰）；
- 焊点/涂胶轻量检测（RK3588 单工位盒子，替代人工目检）；
- 新能源零件小样本异常检测（标注少、端侧跑、客户痛点强）。
主题 ⑥ · 市场判断 · 数据口径 2025--2026
在这个领域里端侧 AI 现在普及多少了 {#在这个领域里端侧-ai-现在普及多少了 .q}
**先给结论：**端侧 AI 在汽车产线视觉里，已经过了"尝鲜期"，正处在"新建线默认带、老线改造快跑"的阶段，但"真·全工位普及"还没到，分层很明显。
一、整体普及度 {#一整体普及度}
- 新增智能产线中，约 60%--65% 新部署视觉系统带端侧推理；
- 按部署形态算，本地/边缘方案占 AI 视觉市场约 58%；
- 汽车制造环节机器视觉渗透率约 88%，但"带 AI 模型"的比例低于这个数；
- 分车间看：焊装 渗透最深（奥迪 IRIS 体系、赛力斯/比亚迪多基地落地）；涂装 上量很快（边缘一体机做实时分类）；总装 渗透最低但增速最快；三电/零部件端侧落地非常活跃。
二、为什么"看起来没全覆盖，但端侧成了默认选项" {#二为什么看起来没全覆盖但端侧成了默认选项}
云端 AI 在产线有硬伤：单相机 60fps 原始图往云上传 → 带宽炸、延迟 300ms+，产线节拍跟不上；断网/抖动就失控，质量系统不能"等云回复"；汽车缺陷图像不出厂是合规刚需。所以实际架构基本是：
端侧相机+边缘盒子（RK3588/Jetson/昇腾）→ 实时判 OK/NG → 只把疑点图+结果日志回传云/服务器做迭代
也就是"云边协同"：云管训练，边管生死判定。
三、真实落地水位（不说漂亮话） {#三真实落地水位不说漂亮话}
状态 典型内容
✅ 已经普及 端侧做存在性/防错/OCR/简单缺陷分类（螺丝、卡扣、标签、焊点有无）；轻量检测（YOLO 量化版、MobileNet、分割小模型）跑在边缘盒子；标定失效、丢帧、超时 → 端侧 fail-closed 拦截。
⚠️ 正在爬坡 复杂缺陷语义分割（漆面微瑕、焊缝气孔混合判定）；多相机融合、3D 点云+AI 联合判；小样本/自监督异常检测；端侧模型 OTA 更新+影子模式验证。
❌ 还没普适 全厂统一"视觉大模型"端侧跑（算力贵、可解释性弱）；完全无人值守（关键工位仍留人工复核）；老产线改造（PLC 协议杂、相机安装位受限，改造成本高）。
四、硬件端侧覆盖情况 {#四硬件端侧覆盖情况}
- 高端线：Jetson Orin / 昇腾 310/610 / 工业 GPU 边缘服务器（多相机、<50ms）；
- 中端铺量：RK3588、地平线 J5、寒武纪 MLU220 级（单/双相机工位）；
- 轻量节点：RK3568 级跑分类+OCR+简单检测，适合防错铺量工位；
- 智能相机：Cognex In-Sight 3900 这类"相机内嵌 AI"，不需外挂工控机。
五、对你做端侧 AI 产品的含义 {#五对你做端侧-ai-产品的含义}
- 不是"卷大模型"，是卷：稳定成像 + 轻模型 + fail-closed + 可审计；
- 高价值切口：总装防错、涂胶/焊点小模型、三电零件小样本异常检测；
- 客户买单逻辑：单工位 ROI（减人/降逃逸/可溯源），不是"AI 多先进"；
- 交付门槛：能过 IAF 类检查清单（标定、独立测试集、异常拦截、版本回滚）才敢上线。
**一句话定性：**端侧 AI 在汽车产线视觉：新建线"默认配置"，存量线"重点工位先行"，全厂智能视觉闭环还在中段。2026 年不是"要不要上端侧"的问题，是"哪个工位先上、怎么过质量审计"的问题。
主题 ⑦ · 竞争分析 · 四层结构
竞品拆解 {#竞品拆解 .q}
下面把"汽车产线端侧 AI 视觉"竞品按 四层结构拆，不堆参数，只看"他们靠什么吃饭、弱点在哪、你一人公司怎么错位切入"。
一、国际巨头：卖"信任背书+黑盒系统" {#一国际巨头卖信任背书黑盒系统}
1. 基恩士 Keyence（日本） {#1-基恩士-keyence日本}
- 打法：硬件封闭 + 算法黑盒 + 交钥匙；
- 强项：光学/3D 测量极强，稳定到"傻瓜部署"，汽车精密件、读码、有无检测标杆；
- 端侧形态：智能相机内嵌 AI 引擎，CV-X / XG-X 系列，无需写代码；
- 弱点：贵（单工位动辄十几万到几十万）；二次开发受限，年费式授权；模型不透明，缺陷归因难，过 IAF 审计要额外补证据链。
2. 康耐视 Cognex（美国） {#2-康耐视-cognex美国}
- 打法：软件平台 + 生态绑定（VisionPro / In-Sight / 读码）；
- 强项：深度学习工具成熟，汽车头部客户覆盖广，读码/OCR 行业第一档；
- 端侧形态：智能相机 + 边缘工控机，规则+DL 混合；
- 弱点：国内代理水平参差；小样本弱、初期投入高；换型重训成本大。
巨头卖"不出事"，不卖"你能改"。
二、国产头部：卖"硬件规模+平台化 AI" {#二国产头部卖硬件规模平台化-ai}
3. 海康机器人 Hikrobot {#3-海康机器人-hikrobot}
- 打法：相机/3D/算法平台 VM 一体化，性价比+本地服务；
- 强项：2D 相机市占率国内第一；VM 算法平台 5.0 带边缘学习、2D/3D 融合；长安、华晨宝马等车企已落地；
- 端侧：RK/昇腾盒子 + 智能相机，大模型质检在推；
- 弱点：系统级软件溢价弱于外资；极端复杂缺陷的工艺包不如康耐视深；大客户会被绑进海康生态。
4. 凌云光 Luster {#4-凌云光-luster}
- 打法：光学先行 + VisionWare 算法库 + 行业装备；
- 强项：3C/新能源/印刷包装深，光学仿真前置，缺陷库厚；
- 端侧：智能相机+工控边缘机，偏定制装备；弱点：汽车总装铺得不如海康，交付偏项目制。
5. 奥普特 OPT / 华睿 / 天准 {#5-奥普特-opt-华睿-天准}
- OPT：光源+相机+视觉系统全链条，新能源强；
- 华睿：大华系，性价比硬件；
- 天准：半导体前道量测、精密测量（偏微观）。
国产头部卖"够用+能改+便宜"，但容易陷入大项目集成。
三、AI 原生 / 边缘方案商：卖"模型能力+交付速度" {#三ai-原生-边缘方案商卖模型能力交付速度}
- iFactory AI（海外边缘 AI 视觉）：纯边缘（Jetson Orin），零云端，shadow mode 验证后切真判定；强项复杂缺陷泛化、降误拒、数据不出厂；弱点国内落地服务弱、Jetson 成本高。
- 鼎捷 / 思谋 / 华为（平台型）：鼎捷做模型版本管理+缺陷库+低代码训练；思谋做工业大模型、高端装备；华为做 CV 大模型+昇腾边端协同（换型快，200 张图微调）。弱点：重平台、重销售、小工位不划算。
- 独立集成商 / 算法小团队：YOLO+传统 CV 混合，RK3588 盒子交付；强项灵活、便宜、能钻细分工位；弱点光学能力弱、审计/追溯粗糙、模型不可解释。
这层最卷，但也是一人公司能活的层。
四、硬件底座层（决定端侧天花板） {#四硬件底座层决定端侧天花板}
平台 定位 适合场景
RK3568 轻量存在性/OCR 总装防错铺量（你熟悉，成本极低）
RK3588 主流轻检测 焊点/涂胶/单双路相机，6TOPS，工业盒事实标准
RK1828(M.2) 扩容多模态 端侧小大模型描述缺陷，插卡不改主板
Jetson Orin 高帧率复杂模型 漆面分割、多相机（贵、散热重）
昇腾310/610 国产化项目 国企/军工/等保场景（工具链偏重）
地平线J5/J6 车载域控/引导 机器人手眼、车规（车厂生态强）
五、用 IAF 手册视角看竞品差距 {#五用-iaf-手册视角看竞品差距}
维度 巨头 国产头部 小集成商 一人公司机会
光学标定闭环 强 中强 弱 做"标定失效自动拦截"模块
独立测试集/逃逸率统计 有但黑盒 部分 常缺 按零件级算，出审计包
异常 fail-closed 强 看配置 常漏 默认拦件逻辑做成标准件
小样本/换型 弱 中 看人 RK3588+小样本异常检测
可解释/溯源 一般 中 差 缺陷热力图+工艺标签
单工位成本 高 中 低 你定中低档、交付更轻
六、竞品没好好解决的"缝隙市场" {#六竞品没好好解决的缝隙市场}
- 总装多品种小批量防错：巨头嫌单子小，国产要绑平台 → 你做"RK3568 防错盒子+OCR+BOM 校验"标准件。
- 标定漂移自检：大家默认人工开班标 → 你做"自动标定板识别+误差超阈锁机"小模块。
- IAF 合规交付包：竞品给模型不给证据 → 你交付"清单+日志+挑战件记录+回滚包"。
- 老线不改 PLC 的插卡方案：M.2 算力卡插原有工控机，不动控制逻辑，只做"视觉陪审"。
- 工业场景多模态轻量说明：端侧跑小模型，输出"缺陷类型+可能成因（如反光误判/胶水断流）"给班长看。
七、一人公司的错位打法（不正面刚） {#七一人公司的错位打法不正面刚}
别做"完整视觉系统"，做 三层薄产品：
- 硬件层：RK3568/3588 工业盒 + 相机选型清单（不造相机）；
- 算法层：轻量检测/分类/异常检测模型 + 传统 CV 兜底（规则+AI 混合）；
- 质量层（差异化）：IAF 风格审计中间件------标定失效拦截、零件级逃逸率日报、影子模式→切真判定、模型版本+阈值+预处理一起打包回滚。
巨头卖相机，国产卖平台，你卖"让单工位敢自动放行"的合规大脑。
八、一句话竞品地图 {#八一句话竞品地图}
- 基恩士/康耐视：贵、稳、黑盒 → 抢不了，绕开；
- 海康/凌云：全栈平台 → 不硬拼，做它生态外挂；
- 小集成商：便宜乱 → 你用工程严谨性碾压；
- 你：端侧轻模型 + 光学敬畏 + IAF 审计闭环 = 小工位高信任交付。
主题 ⑧ · 产品规划 · 3 产品 + 1 护城河
梳理端侧质检差异化产品矩阵 {#梳理端侧质检差异化产品矩阵 .q}
基于前面竞品拆解和 IAF 手册的合规逻辑，把端侧质检的差异化产品矩阵梳理成 **"三层产品 + 两种交付形态 + 一条护城河"**的结构。
一、产品矩阵总览 {#一产品矩阵总览}
{style="background:var(--code);border:1px
┌─────────────────────────────────────────────────────┐
│ 护城河层：IAF 合规审计中间件（所有产品内置） │
│ ─ 标定失效自动拦截 / 零件级逃逸率日报 │
│ ─ 影子模式→切真判定 / 模型版本+阈值+预处理整体回滚 │
├─────────────────────────────────────────────────────┤
│ 场景层：三个标准化产品（按工位类型切） │
│ P1 防错盒子（RK3568） │
│ P2 轻检盒子（RK3588） │
│ P3 小样本异常检测盒（RK3588+M.2） │
├─────────────────────────────────────────────────────┤
│ 硬件层：选型清单 + 预装镜像（不造硬件） │
│ ─ 相机/镜头/光源选型表（按场景给型号） │
│ ─ RK 系列工业盒预装系统镜像（开箱即用） │
└─────────────────────────────────────────────────────┘二、场景层：三个标准化产品 {#二场景层三个标准化产品}
P1 防错盒子（总装/零部件防错） {#p1-防错盒子总装零部件防错}
维度 内容
定位 低单价、高铺量、快速回本
硬件 RK3568 + 单相机（200万像素）
检测内容 零件存在性、装反、型号错配、OCR/VIN/条码
核心能力 轻量分类 + OCR + BOM 比对
交付形态 标准盒子 + 配置界面（客户自己换型号）
目标客户 总装线、Tier1 零部件厂
单工位成本 约 3000--6000 元
ROI 话术 "一个工位少漏装一次，盒子就回本"
**差异化点：**不是"能检测"，而是"换型不用改代码"------客户在界面上拖拽 ROI 区域、选检测类型、导入 BOM 表即可。
P2 轻检盒子（焊装/涂胶/表面缺陷） {#p2-轻检盒子焊装涂胶表面缺陷}
维度 内容
定位 中单价、中高价值、替代人工目检
硬件 RK3588 + 双相机（或单相机+3D轮廓仪）
检测内容 焊点有无/偏移/飞溅、焊缝连续性、胶线宽度/断胶、漆面划伤/流挂
核心能力 YOLO 量化版 + 分割小模型 + 传统 CV 兜底
交付形态 盒子 + 场景化算法包（焊点包/胶线包/漆面包）
目标客户 焊装车间、涂装车间、新能源三电
单工位成本 约 1.5万--3万元
ROI 话术 "替代 1 个目检工位，6 个月回本"
**差异化点：**不是"卖算法"，而是"卖场景包"------每个包内置光学布置建议、标定板、挑战样件清单、阈值默认值。
P3 小样本异常检测盒（罕见缺陷/新品类） {#p3-小样本异常检测盒罕见缺陷新品类}
维度 内容
定位 高单价、高壁垒、解决"标注不够"痛点
硬件 RK3588 + M.2 算力卡（RK1828级）
检测内容 罕见缺陷（缩孔、冷隔、夹杂）、新品换型期缺陷
核心能力 自监督异常检测（只学好件）+ 少量坏件微调
交付形态 盒子 + 异常检测模型 + 缺陷热力图输出
目标客户 铸造/锻造、新能源电芯、新车型试产线
单工位成本 约 3万--5万元
ROI 话术 "试产期就能抓缺陷，不用攒三个月坏件"
**差异化点：**不是"等客户攒够坏件再训"，而是"开班当天就能跑"------只拍 50 张好件即可上线，坏件来了自动积累。
三、护城河层：IAF 合规审计中间件（所有产品内置） {#三护城河层iaf-合规审计中间件所有产品内置}
- 标定失效自动拦截：每班开班自动拍标定板，误差 > 阈值 → 锁工位；相机被撞歪、镜头脏、光源衰减 → 自动识别并报警；不拦截 = 不生产（fail-closed）。
- 零件级逃逸率日报：统计口径按"独立物理件"，不是图片张数；逐缺陷类报逃逸率、误拒率、置信区间；每日自动生成 PDF 报告，可追溯。
- 影子模式 → 切真判定：新模型先"只记录不拦截"跑一周；对比新旧模型判定差异，确认无误后一键切换；切换记录留痕，可回滚。
- 模型版本整体打包：模型权重 + 阈值 + 预处理参数 + 硬件配置 = 一个版本号；任何变更走变更控制，可一键回滚；审计时能回答"这个工位现在跑的是哪个版本，为什么"。
四、硬件层：选型清单 + 预装镜像 {#四硬件层选型清单-预装镜像}
场景 相机 镜头 光源 盒子
防错/OCR 海康 MV-CA050 12mm 定焦 环形光 RK3568
焊点/胶线 海康 MV-CA060 16mm 定焦 条形光/同轴光 RK3588
漆面 Basler acA2440 25mm 定焦 多角度反射光 RK3588+M.2
3D 轮廓 基恩士 LJ-X8000 内置 内置激光 RK3588
**预装镜像：**RK 系列工业盒烧录好系统镜像（Ubuntu + 推理运行时 + 配置界面），开箱即用：插相机、选场景包、开班标定、开始检测；客户不需要懂 Linux，不需要配环境。
五、两种交付形态 {#五两种交付形态}
- 形态 A：标准盒子（产品化）------适合 P1/P2 的标准化工位；客户自己换型号、自己开班验证；你提供盒子 + 场景包 + 操作手册 + 远程支持；毛利高、可复制、边际成本低。
- 形态 B：项目制交付（定制化）------适合 P3 或复杂工位；你负责现场光学布置、模型训练、挑战样件验证、审计包；你提供全套交付 + IAF 检查清单 + 验收报告；毛利更高、但占用你的时间。
六、产品矩阵的销售逻辑 {#六产品矩阵的销售逻辑}
客户问：你们和基恩士/海康有什么区别？ > > 回答：他们卖硬件和平台，我们卖"敢自动放行的合规大脑"。 > · 同样一个防错工位，他们报价 10 万，我们 3 万； > · 他们给你模型，我们给你"模型+证据+审计包"； > · 他们标定失效了可能还在判，我们直接锁机。
七、落地节奏建议（一人公司） {#七落地节奏建议一人公司}
阶段 动作 产出
第 1 月 做 P1 防错盒子 + 审计中间件 v1 1 个客户试点
第 2--3 月 做 P2 轻检盒子（焊点包） 第 2 个客户
第 4--6 月 做 P3 小样本异常检测 + 场景包扩展 3--5 个客户
持续 审计中间件迭代 + 场景包扩充 形成口碑壁垒
**一句话总结：**产品矩阵 = 三个场景盒子（防错/轻检/异常检测）+ 一套合规中间件（标定拦截/逃逸率/影子模式/版本回滚）。竞品卖"看得见"，你卖"看得见 + 敢放行 + 可审计"。
汽车产线端侧 AI 视觉质检完整指南 · 依据 IAF《In Line Quality and Computer Vision Manual》与配套检查清单整理
本文档为离线单文件，可本地保存、检索与打印；配套文件：IAF在线视觉质检落地检查清单.html