规则算法与深度学习怎么选

这两类方法不是新旧关系，是适用范围不同。规则算法把人的判断写成一串明确的步骤：先找边缘、再量距离、再与阈值比。深度学习从样本里把这串步骤自己找出来，人只提供「这张是缺陷、那张不是」。前者的边界是「人能说清楚」；后者的边界是「人能举出例子」。很多项目在两者之间反复摇摆，是因为没有先问一句最要紧的话：这个判断，我能不能用语言完整地描述出来。

规则算法擅长什么

• 尺寸测量与位置定位：边缘、中心、角度、距离，这些量的几何定义明确，规则做出来精度可控，而且结果是一个带量纲的数值。
• 边缘清晰的有无判断：件在不在、孔有没有打、卡扣是否到位。特征与背景的灰度差足够大时，一个阈值就能解决。
• 灰度可分的外观特征：颜色深浅、面积大小、亮度差异。这类任务用规则做往往又快又稳。
• 需要给出数值结果的场合：只要判定结果要进记录、进 SPC、要与图纸比对，可解释的数值就比一个分类标签有用得多。

规则算法真正的优势不只是简单，而是它的结果可以被逐条解释。当判定被现场或品质部门质疑时，你能指出「这里灰度低于阈值 80，且连通面积大于 200 像素，所以判为缺陷」。这句话在项目里价值极高——它让判定从「系统说的」变成「有依据的」，也让后续的参数调整有方向。反过来，如果判定依据只是一句「模型给出的置信度是 0.93」，讨论就没法往下走，这也是很多现场抵触视觉系统的根源之一，相关讨论可以看操作员抵触。

深度学习擅长什么

• 形态多样、难以用几何描述的缺陷：划痕、脏污、纹理异常、色斑。它们共同的麻烦是「一看就知道不对，但说不清判据是什么」。
• 背景杂乱或强反光的场景：规则算法需要稳定的灰度关系，模型可以从大量样本里学会忽略背景变化。
• 需要区分「像缺陷但不是缺陷」：例如加工纹路本身与划痕、水渍与油污。这类例外很难用规则穷举，但可以靠样本教会模型。
• 字符识别与复杂分类：字符、条码之外的复杂图形识别，模型的优势非常明显。

样本量的大致门槛

这张表要表达的重点是后半句。样本数量不是唯一门槛，覆盖度才是。用一千张同一种缺陷的照片训练出来的模型，对第二种缺陷一无所知，而且它给出的置信度依然是高的——错得很自信。所以准备样本时真正要问的不是「够不够一千张」，而是「我有没有把现场可能出现的每一种样子都放进去」。分层采集的方法可以直接参考训练数据采集与标注。

可解释性与责任

在需要向品质部门或客户解释判定依据的场合，一个只有结论、没有过程的判定很难站住。可行的折中有两条：一是让深度学习只做初筛，把可疑件交给规则做确认，最终判定由规则给出；二是把模型输出与可解释的辅助特征一起写进记录，例如缺陷面积、位置、灰度对比度，这样事后复盘时有据可查。两条路都在做同一件事——不放弃模型的能力，也不放弃解释的可能。

混合架构通常最稳