WorkBuddy 实战：机器视觉缺陷检测从业者如何用它搭一套质检方案工作流

作者：一名做工业机器视觉 / 表面缺陷检测的工程师，日常工作是成像方案选型、算法验证、检测报告输出。用 WorkBuddy 处理视觉项目资料整理、检测方案起草、周报归档，累计两个月真实使用记录。

一、为什么一个做检测的人会需要 WorkBuddy

机器视觉这行的日常其实很不"智能"：一半时间在车间调光、试镜头，另一半时间在写方案、整报告、翻厂商参数。

我自己的工作流大概是这几块：

• 方案选型：拿到一个检测需求（比如"锂电极片表面划痕检出"），要定相机分辨率、镜头焦距、光源类型、打光方式
• 算法验证：跑一遍缺陷样本，看检出率和误检率能不能达标
• 报告输出：把方案、参数、验证结果整理成文档交付
• 资料归档：厂商手册、案例、参数表、自己的项目记录，散在十几个文件夹里

前三件事 WorkBuddy 能直接分担，第四件它能自动整理。但用之前我得先说清楚：它不是万能的，有些事它做不了，后面会专门讲。

二、把重复劳动固化成自动化任务（最省积分的用法）

先说积分这件事。WorkBuddy 的积分消耗速度确实不慢，一次深度调研能烧掉几百积分。但有一个用法是"一次投入、长期省"的——自动化任务。

原理很简单：配置一个定时任务，一次性花几十积分开发，之后每次运行只消耗个位数积分，比我每次手动发起一次对话划算得多。

2.1 每日行业资讯简报

机器视觉行业动态更新快，厂商新品、新算法、下游应用趋势得持续跟。以前是我每天自己刷几个网站，零零散散。现在建了个自动化任务，每天早上 8:30 自动跑：

关键在最后一句。如果不写"给从业者的实用观察"，AI 只会把新闻罗列一遍，看完等于没看。加上这句，输出才有判断，不是搬运。

2.2 每周工作小结归档

这个对我更实用。检测项目做多了，参数组合、踩过的坑、哪种打光方式有效，不整理就忘了。每周五 17:30 自动归档：

跑了几周下来，最大的价值是"②现象-分析-结论"这条链被强制留下来了。检测这行经验值钱的地方就在这儿，但人天生懒得记。

2.3 配置方法

在 WorkBuddy 里直接说需求就行，比如：

AI 会自己拆成定时任务。重复频率、执行时间都可以自然语言描述，不用写 cron 表达式。

三、真实场景：检测方案选型中的实际用法

这才是重点。自动化是省积分，方案工作是真正提升效率的部分。

场景1：从检测需求推导选型参数

输入（一次说清，别来回追问，每轮追问都烧积分）：

为什么这样问：把检测对象、缺陷尺寸、节拍、输出要求全部前置，AI 一次就能给出可用的计算过程，而不是给一堆"建议根据实际情况选择"的废话。

输出价值：分辨率计算这块，人会算，但每次都要重新推导。让 AI 把推导过程写出来，我只需要核对关键系数（比如冗余系数取 2 还是 3），省的是重复推导的时间。

场景2：成像方案的问题排查

这是踩坑记录最多的地方。举个实际例子——划痕检测对比度不足：

我把现象描述给 WorkBuddy：

AI 给出的分析方向包括：同轴光对镜面反射的表面缺陷敏感度不足、建议改用低角度暗场照明增强划痕散射、或采用多角度光源组合。这个判断是对的——同轴光擅长的是平整表面的均匀照明，对"凹凸"类缺陷反而弱，暗场才是划痕的常用打法。

最后验证下来，低角度环形光配合适当角度调整，灰度差提到了 60 以上，满足检测要求。

这里的用法重点是：把"已排除什么"也告诉它。 不写这句，AI 会从曝光、增益这些基础项重新给你讲一遍，浪费时间和积分。

场景3：检测报告的结构化输出

检测报告有固定结构，但每次填内容费时。用模板化的指令：

先搭结构、后填数据，比一次性给一堆散数据让它组织效率高得多。

四、它做不到的事（这部分必须说清楚）

用工具最忌讳的就是高估它。以下是我实测下来 WorkBuddy 做不了的：

① 它操作不了桌面客户端界面。

比如 WorkBuddy 自己的签到领积分入口在客户端左下角头像里，我一度想让它自动签到，结论是做不了——没有开放 API，只能模拟点击 UI，而 AI 没有屏幕控制和鼠标操作能力。这类"点界面按钮"的活儿，只能人手动做。

② 它替代不了现场调光。

光源角度差 5 度、工作距离差 10mm，成像效果就变了。AI 能给出方向（该用暗场还是明场、该用哪个波长），但最终参数必须现场试。AI 给的是搜索方向，不是最终答案。

③ 缺陷样本的标注质量它管不了。

算法路线可以推荐，但样本标注是否准确、缺陷定义是否清晰，这是人的活。标注有问题，再好的算法也白搭。

④ 实时性它保证不了。

在线检测的节拍要求是毫秒级的，那是算法部署和硬件的事，跟 AI 助手无关。

五、省积分的实操经验

用下来总结几条，都是真金白银换的：

最容易踩的坑：需求分三次说。第一轮问原理，第二轮补条件，第三轮改格式——同样的内容 AI 要重新组织三遍，积分乘以三，效果反而更差。

六、总结

作为一个机器视觉从业者，我的评价是：

一句话总结：WorkBuddy 在机器视觉工作流里的定位是"方案助手"和"文档助手"，不是"检测系统"。它能把选型推导、问题分析方向、报告结构这些脑力重复劳动接过去，但最终参数必须现场验证。

想清楚这个边界，用起来就很舒服；指望它替你把检测做出来，会失望。