现在做视觉项目，经常会被问一句：

“这个能不能用 AI 做？”

能，当然能。

但问题是：

不是所有问题，都需要 AI。

有些检测场景，规则很清楚，特征也很稳定，用传统视觉算法就能解决。

比如：

• 有无检测；

• 尺寸测量；

• 边缘定位；

• 简单字符识别；

• 规则形状判断。

这些问题，如果光源稳定、位置固定、背景干净，用阈值、边缘、模板匹配这些方法，反而更直接。

调试方便。逻辑清楚。现场出了问题，也容易排查。

是光源变了？ 是阈值不合适？ 是定位偏了？ 还是边缘没提出来？

这些都有方向可以查。

但如果一上来就硬上 AI，事情反而可能变复杂。

要准备样本。 要做标注。 要训练模型。 要验证效果。 上线后还要维护。

算力、节拍、误判解释，也都得考虑。

最后可能发现：

不是 AI 不行。而是这个问题，根本没必要用 AI。

当然，AI 也有它很适合的场景。

比如：

• 缺陷形态变化大；

• 背景复杂；

• 产品批次差异明显；

• 人眼能判断，但规则不好写清楚；

• 传统算法误检漏检很多。

这种时候，传统算法可能越调越复杂，参数越堆越多，误检漏检还是压不住。

这时就应该认真考虑 AI，或者采用传统算法 + AI 的组合方案。

所以算法选型前，别急着问：

“要不要上 AI？”

先问几个更实际的问题：

1. 缺陷规则能不能描述清楚？

2. 背景稳不稳定？

3. 产品位置稳不稳定？

4. 缺陷变化大不大？

5. 样本够不够？

6. 后期谁来维护？

7. 产线节拍能不能接受？

8. 客户能不能接受误判解释方式？

如果规则清楚、场景稳定，传统算法优先。

如果规则难写、变化复杂、样本足够，再认真考虑 AI。

说到底：

机器视觉不是算法秀场。

不是越高级越好。 而是越适合越好。

传统算法不丢人。 AI 也不是万能药。

项目现场真正需要的，不是概念好听，而是：

长期稳定跑起来。

别让“上 AI”变成项目的默认答案。

先把问题看清楚，再决定用什么工具。