现在做机器视觉，经常听到一句话：

“都2026年了，怎么还用传统算法？直接上AI啊！”

听起来很有道理。

但实际项目中，有些检测用传统算法几分钟就能搞定，换成AI反而更复杂。

AI真的能取代传统视觉吗？

先看这张图。

图：MVTec工业缺陷数据集。上方为正常产品，中间为异常产品，下方标出了缺陷位置。

01｜传统视觉：你告诉它怎么判断

比如检测零件上有没有螺丝。

正常情况下，有螺丝的位置会出现一个明显的圆形特征。

我们只需要告诉程序：

“在这个位置，找到符合要求的圆形，就判OK。”

这就是传统视觉的思路。

它特别擅长：

尺寸测量、有无检测、位置定位、明显缺口检测。

规则清楚，调试方便，也不需要准备大量训练图片。

图：工业视觉中的零件检测、字符识别与电子元件检查案例。

02｜AI视觉：让它从图片里学习

但如果检测的是金属表面划痕呢？

麻烦就来了。

有些划痕很长，有些很短，有些像裂纹，有些又和正常加工纹理特别像。

你很难用一条固定规则描述所有缺陷。

这时候AI视觉就有优势。

给它看具有代表性的正常和异常图片，让它学习哪些特征值得关注。

部分异常检测方法甚至可以主要使用正常样本训练，再识别偏离正常外观的区域。

图：Cognex深度学习视觉应用，包括定位、缺陷分析、分类和字符读取。

03｜为什么很多AI项目还是会误检？

有人以为：

“AI不用调参数，扔几百张图片进去就行。”

其实没那么简单。

如果训练图片全是在白天拍的，晚上光线变了，模型可能表现不稳定。

如果训练时只见过轻微划痕，实际生产突然出现另一类缺陷，也未必能准确识别。

AI不是天生懂什么叫不良品，它需要足够有代表性的训练和验证数据。

康耐视的技术文档也强调，训练图像应覆盖实际生产中可能遇到的变化。

图：AI视觉在产线上检测塑料零件表面异常的实际应用。

04｜到底应该怎么选？

记住一个简单原则：