名词解释 / 07

语义分割

第 112 / 127 个名词进一步了解 AI 原理

英文名称：Semantic Segmentation 常见别名：图像语义分割、像素级分类 所属分类：进一步了解 AI 原理

一句话解释

语义分割是让 AI 学会给图片"涂色分类"的技术：它把一张图片拆到最小的像素点，逐个判断每个点属于哪一类，最终把整张图按区域涂上不同颜色并贴上标签——不只告诉你"图里有什么"，还告诉你"每一块分别是什么"。

工作中什么时候会遇到

普通办公软件里很少直接看到"语义分割"四个字，但它藏在很多视觉识别功能背后。比如公司采购或引入 AI 质检、自动巡检、缺陷检测系统时，供应商提到的"缺陷分割""图像分割""像素级识别"，底层用的基本就是这类技术。

你如果负责质量、设备、生产或采购，在评估这类系统、看演示效果、或和技术方确认验收标准时，就会接触到它。它解决的问题和我们肉眼找问题类似，但换成了机器逐点扫描，速度和一致性都比人强。

能解决什么问题

精确定位缺陷或目标的位置和范围，比用方框框出来的方式更贴合物体边缘，不会把无关背景圈进来。
测算面积和占比。既然每个像素都被归类，数一数某类像素有多少，就能估算缺陷面积、占比等量化指标。
从复杂背景中把目标分离出来，比如在纹路、油污、光照不均的背景下仍能认出问题区域。
把识别结果转成可统计的数据，供质检报表、合格率分析使用，替代一部分重复、枯燥的人眼检查。
让检查标准更统一，不受检查人员当天状态和主观经验影响。

举个例子

质检部门给钢板表面缺陷检测系统配了一台工业相机。工人把一块钢板放上传送带，相机拍照后，系统把照片里每个像素点归入"正常表面"或"缺陷"两类，把判定为缺陷的像素涂成红色，并在屏幕上圈出几处，同时算出缺陷面积约占整张钢板表面的 2.3%。系统建议把这批钢板标记为"需复检"。质检员抽查被涂红的两处区域，确认确实是划痕而不是光线反光造成的误判，再决定是否放行。

怎么使用

对普通员工来说，语义分割通常不是你去"操作"的功能，而是某个系统的内置能力。你能做的是三件事：给系统提供清晰、规范的图像样本；定期抽检系统标出的区域，判断是否真的判对；把明显的误判反馈给供应商，用于改进模型。

模型的训练、图像标注和参数调整一般由算法工程师或产品供应商完成，普通员工不用碰。如果你在办公产品里看到"智能识别图片内容"之类的功能，能力边界以当前版本和官方说明为准。

使用时要注意什么

语义分割只按训练时见过的类别做归类，并不真正"理解"画面。它需要大量带标注的样本图片，样本不足、光照变化大、或者出现没学过的缺陷类型时，精度会明显下降，也容易把外观相近的类别（比如划痕和纹理）搞混。它的输出要当"辅助判断"而不是"最终结论"来看，涉及放行、报废、验收等决定时，仍需要人工抽检确认。另外，如果拍摄的照片里包含人脸、车辆等敏感信息，交给第三方 AI 处理前要留意数据合规。

容易混淆的词

目标检测：用方框把物体框出来并标出类别，只有外框没有边缘细节；语义分割则精细到每个像素，能贴合物体的不规则轮廓。
实例分割：语义分割只负责区分"哪一块是划痕、哪一块是锈斑"，同一张图里有两处划痕它也统一归为"划痕"；实例分割会进一步区分"这是第 1 处划痕、那是第 2 处划痕"。
图像分类：只判断整张图片属于什么类别，比如"这张图是合格品还是缺陷品"，不划分具体区域。
文档问答里的"语义分割"：在知识库类 AI 里，这个词偶尔被用来指"把长文档按意思切成段落"，方便检索；和本文讲的图像语义分割是完全不同的用法，看到时先确认语境。