尺寸检测：AI 工作流与标定

检测任务

在进行经过标定的测量之前，先建立一个可观察的几何阶段。已准备好的原生路径需要已批准的标定和材料绑定；模型无法自行产生这种批准。AI 可以提出边缘阈值或拟合设置，供开发阶段做比较，但不得为了让候选方案看起来更好而更改单位、测量平面或物理公差。

前置条件与样品对照

处理边缘之前，先定义物理尺寸、基准、允许的平面和单位。提供可溯源的参考标准件和独立得到的尺寸参考值。可见的轮廓或像素长度并不是经过标定的测量值。当前已准备好的原生测量路径会绑定标定和已批准的材料；缺少批准、标识不一致或平面无效时，必须使其无法得出有效的物理结果。硬件验收和生产验收仍因具体安装现场而异。

选择相机方案

平面边缘测量时，如果高度变化会改变透视，应把低畸变镜头与远心方案做比较。选择面阵传感器，要求它在整个所需视野内都能分辨出边缘。高度和轮廓需要经过验证的 3D 方案，不能用单一标量的像素到毫米换算来代替。更换镜头、改变对焦、移动相机或改变测量平面，都需要复核标定的有效性。

执行受控步骤

在请 AI 提出修改建议之前，先建立最小的可观察基线。固定原始图像、ROI、预期答案和运行环境标识；检查中间输出，而不是只看最终指标。Deyi Vision 目前的工作流方法可以在带版本的开发数据上比较候选修改。AI 的建议只是供评审的提案，不是操作员批准的公差，也不是经过验证的物理测量。

1. 检查源像素和提取出的几何。
2. 换算之前，先核实标定标识和已批准的平面。
3. 在开发用标准件上比较一个边缘处理候选方案。
4. 把无效标定和缺失的几何保留为明确的无值状态。

记录证据

分别记录像素几何、物理值、单位、标定标识和有效性状态。示例中的 501 px × 0.02 mm/px = 10.02 mm，说明的是在有效的恒定比例下的换算，而不是自动标定。

评估任何候选方案之前，先审查测量依赖链。原始图像必须与它声明的尺寸、像素格式和坐标映射一致。提取出的几何必须标明实际的测量点或边缘，并且落在经过标定的有效区域内。标定和已批准的材料绑定，必须与冻结的工作流以及声明的工位、相机和平面条件相符。只有做到这些，才能按所标明的单位解释物理值，并与经人工批准的公差比较。在每个环节的交接处，都要把有效性与数值一起存储。依赖项缺失或无效，并不是要求 AI 去编造一个比例，而是拒绝给出有效物理结果的理由。把失败原因与图像一起保留，让其他工程师能看出链条中哪一环不可用。

诊断失败案例

AI 给出的、看上去很有说服力的毫米答案，可能缺乏度量证据。要拒绝猜出来的尺寸和不匹配的标定。几何缺失时需要复核，而不是按零处理；缺少材料批准时，必须停止已批准的测量路径。

独立验证

在同一批开发样品上，比较未改动的基线和一个候选方案。每一次失败和无结论的结果，都要留在分母里。把难以处理的图像加入数量有限的复核集，但在有人核对之前，预测标签要一直保持未确认。如果模型需要本地服务，或需要经授权向外发送图像，缺少这项能力时必须停止执行，而不是触发未公开的后端替换。

把候选方案与独立测量过的标准件比较。保留不确定度和原有的公差。浏览器中的 OpenCV.js 目前还不是已准备好的原生测量链的经验证替代方案。

把 AI 的比较限制在可观察几何阶段中可解释的开发性修改上。对每一张尺寸发生变化的图像，检查新旧边缘点，并在原始坐标系中显示差异。标定、物理参考值和公差保持不变。如果新的几何方法需要另一种运行环境或依赖项，执行之前要明确验证该能力，并记录新的标识。除成功的换算之外，还要评估几何缺失和无效上下文这两类对照样本。不要因为候选方案用貌似合理的猜测取代了待复核的案例，或把报告范围缩窄到容易的标准件，就给予奖励。把所有尝试和拒绝的原因都保留在开发总结中。只有在其度量来源可复现之后，才冻结所选候选方案，用于独立评估。本地导出的复核归档仍然只是复核材料；它既不构成完整可执行的发布包，也不产生部署批准。

继续工程交接

保存工作流图、参数、依赖项和开发阶段的比较结果。让独立的验收参考答案处于 AI 调参的访问范围之外。复核导出包是供审阅的证据，不是完整可运行的发布包，也不是已获批准的证明。浏览器端执行、云端模型的质量以及可执行发布包的激活，各自都需要经过验证的能力。

将原始图像与生成的记录一并保存。