ADC自动识别产品缺陷系统，即自动缺陷分类（Automatic Defect Classification），是连接“检测”与“处置”的关键一环。在机器视觉产线上，检测设备负责“发现异常”，而ADC系统负责“判断异常是什么、有多严重、该不该报警”。它决定了检测数据能否转化为可执行的决策，是智能质检从“看得见”走向“看得懂”的核心枢纽。

一、系统定位：从图像到决策的翻译器

传统视觉检测只输出“合格/不合格”或缺陷坐标，后续仍需人工复判。ADC系统则在此基础上，对每个缺陷进行特征提取与模式识别，自动输出缺陷类别、置信度、严重等级及建议处置方式。例如，它能把一个表面异常判为“划痕”而非“脏污”，并标记为“致命缺陷需拦截”或“次要缺陷可放行”。这一层判断，直接决定了产线的拦截率与误杀率，也影响着质量成本。

二、技术内核：特征、模型与闭环

ADC系统的核心能力由三部分支撑。其一是特征工程，包括几何特征（面积、长宽比、圆形度）、灰度特征（对比度、纹理熵）、位置特征（是否在功能区）等，这些可解释特征在样本不足时尤为关键。其二是分类模型，早期多采用支持向量机、决策树，如今深度学习成为主流——卷积神经网络擅长处理图像纹理，而Transformer结构在长距离依赖与多类别场景中表现更优。其三是闭环反馈机制，系统需记录每次人工复判结果，自动回流为训练样本，持续修正模型偏差。没有闭环的ADC，会在产线漂移中迅速失效。

三、落地要点：可解释性与人机边界

ADC系统落地常遇两大阻力。第一是“黑箱”疑虑，产线工程师不信任一个无法解释的判断。因此，系统应提供热力图、特征贡献度等可解释输出，让判据透明。第二是人机边界模糊，并非所有缺陷都适合自动分类。对于样本极少、定义模糊或后果极严重的缺陷，应保留人工复判通道，由ADC完成初筛与排序，人工聚焦高价值决策。此外，类别体系需与工艺、品质部门共同定义，避免“技术分类”与“质量语言”脱节。

ADC自动识别产品缺陷系统，本质是将质量知识固化为算法资产。它的价值不在替代人，而在把人从重复判图中解放出来，专注于规则制定与异常攻关。随着小样本学习与自监督技术的成熟，ADC正从“定制化项目”走向“可迁移平台”，成为智能制造质量数据链中不可或缺的智能节点。