这个项目真正要解决什么？
成品玻璃瓶的缺陷类型多且分布不稳定：划痕、掉漆、贴花错误、颜色异常、瓶口与瓶底细微破损等，不可能为每一种异常都长期收集大量负样本。
传统监督分类要求定义缺陷类别并准备样本，遇到从未出现过的新缺陷容易漏检；同时透明/反光材质使打光和多视角成像成为算法之外的关键工程问题。
因此系统目标是建立“正常品特征空间”，让设备在缺陷定义变化时仍能给出异常热力图和位置，而不是只识别固定的几个标签。
需求背景 / 解决方案 / 价值效果
需求背景
- 成品玻璃瓶的缺陷类型多且分布不稳定：划痕、掉漆、贴花错误、颜色异常、瓶口与瓶底细微破损等，不可能为每一种异常都长期收集大量负样本。
- 传统监督分类要求定义缺陷类别并准备样本，遇到从未出现过的新缺陷容易漏检；同时透明/反光材质使打光和多视角成像成为算法之外的关键工程问题。
- 因此系统目标是建立“正常品特征空间”，让设备在缺陷定义变化时仍能给出异常热力图和位置，而不是只识别固定的几个标签。
解决方案
- 通过 5 个高速线扫/面阵视角覆盖瓶口、瓶内、瓶底和瓶身，针对不同曲面与反光区域设计独立光学结构。
- 异常检测模型主要使用正常样本训练，学习正常纹理、边缘、颜色与印刷特征；推理时输出异常分数和热力图，再结合阈值、区域规则与瓶型模板判断是否拦截。
- 瓶型切换通过参数模板和少量正常样本快速适配，系统可将高置信异常自动归档为后续模型迭代数据，形成从零负样本冷启动到持续学习的闭环。
价值效果
- 降低对“提前知道所有缺陷类型”的依赖，更适合多瓶型、小批次和缺陷长尾场景。
- 项目资料展示了瓶口、瓶内、瓶底、瓶身四类区域的异常热图，并以 >100 种缺陷覆盖作为系统目标。
- 异常检测与光学工位分离设计，便于持续优化某个瓶型或某个视角，不必重做整条检测链路。
从业务问题到可执行系统
01多视角成像
02正常样本建模
03特征空间
04异常热图
05区域规则
06瓶型模板
07拦截/归档
08持续学习
4大区域检测区域
5路成像单元
>100类缺陷目标
正常样本自学习学习方式
为什么这样设计
白泽的项目方法不是先决定“用哪一个模型”，而是先把现场对象、输入数据、关键决策、风险边界和最终动作画清楚，再决定哪些环节使用确定性程序、哪些环节使用视觉算法、哪些环节由大模型或 Agent 负责。这样做的目的，是让系统能够验收、追溯、维护，并能在真实业务变化时继续迭代。
原项目资料明确强调“零负样本自学习”路线；实际准确率与瓶型、缺陷尺度、光学条件有关，应以具体样本验收结果为准。
AI 落地不止是算法
在白泽的交付中，算法只是其中一层。我们同时关注数据接入、现场网络、边缘计算、权限、安全、第三方系统接口、用户操作习惯、日志与审计、设备稳定性以及后续运维。对企业来说，真正有价值的不是一次模型演示，而是一套能够长期运行并持续创造结果的系统。