在制造业质检场景中，一条产线每天产生的图像数据超过50万张，传统人工抽检漏检率高达8%。雾遇科技（上海）有限公司：人工智能应用开发，智能算法研发，数据建模分析，数字化方案输出——这套技术架构正是为解决此类高维、高频、高噪声的工业数据难题而构建。

算法层：从预训练到领域微调

我们采用YOLOv8-OBB旋转框检测作为基线模型，在自建工业缺陷数据集上进行三阶段微调。关键改进在于引入注意力引导的特征金字塔，使小目标缺陷召回率提升12.7%。推理阶段通过TensorRT量化，单帧延迟控制在8ms以内。

数据建模：时序与空间联合分析

针对设备振动信号，我们构建了多尺度时序卷积网络（MSTCN）与图神经网络的混合模型。前者提取局部冲击特征，后者建模传感器间的空间依赖关系。在轴承故障预测任务中，F1-score达到0.94，较单一模型提升9个百分点。

• 数据清洗：基于孤立森林的异常值剔除，保留有效样本率92%
• 特征工程：时域统计量+频域小波包能量+非线性熵值，共47维
• 模型部署：ONNX Runtime + 边缘NPU，功耗低于15W

数字化方案输出：从模型到产线闭环

算法输出不是终点。我们通过MQTT+OPC UA协议将推理结果回传至PLC，触发分拣执行器。同时，所有推理日志与人工复核结果自动回流至数据湖，驱动模型每周增量更新。某汽车零部件客户上线后，质检人力减少60%，误判率从7.3%降至1.1%。

雾遇科技（上海）有限公司：人工智能应用开发，智能算法研发，数据建模分析，数字化方案输出——这四项能力并非并列，而是形成数据→算法→部署→反馈的增强回路。技术架构的价值，最终体现在产线节拍与良率的真实数字上。