1. 別急著上 AI先搞清楚質(zhì)檢的賬是怎么算的先說(shuō)個(gè)讓我印象特別深的項(xiàng)目。去年年底一個(gè)做連接器零部件的朋友找我聊說(shuō)他們廠準(zhǔn)備上 AI 質(zhì)檢讓我?guī)兔纯捶桨?。我?wèn)他產(chǎn)線現(xiàn)在的不良率是多少他說(shuō) 2% 左右老板覺(jué)得太高想用 AI 壓到 0.5% 以下。我再問(wèn)了一句你們現(xiàn)在的漏檢率是多少他沉默了。這個(gè)沉默很典型。制造業(yè) AI 質(zhì)檢這幾年特別火不管是做視覺(jué)檢測(cè)的創(chuàng)業(yè)公司還是傳統(tǒng)機(jī)器視覺(jué)廠商都在推“AI 換掉人工質(zhì)檢”的故事。但真正落地過(guò)的人都知道AI 質(zhì)檢不是裝個(gè)攝像頭、跑個(gè)模型那么簡(jiǎn)單它本質(zhì)上是一次產(chǎn)線質(zhì)量體系的再造涉及數(shù)據(jù)、算法、硬件、工藝、人員管理甚至供應(yīng)商質(zhì)量協(xié)議的重新梳理。這篇指南我想用一套五步實(shí)施法加上一個(gè)真實(shí)項(xiàng)目的完整復(fù)盤把 AI 質(zhì)檢從立項(xiàng)到量產(chǎn)的整個(gè)路徑說(shuō)清楚。我寫的東西不是從哪份白皮書里抄的是我自己帶過(guò)項(xiàng)目、踩過(guò)坑、也被產(chǎn)線工人罵過(guò)之后沉淀下來(lái)的。你如果是工廠的質(zhì)量經(jīng)理、精益生產(chǎn)負(fù)責(zé)人或者是準(zhǔn)備殺進(jìn)這個(gè)賽道的技術(shù)人員這篇文值得你花二十分鐘讀完。先說(shuō)結(jié)論AI 質(zhì)檢能不能幫你把缺陷率降 70%能但要看你處在什么行業(yè)、產(chǎn)線自動(dòng)化程度如何、有沒(méi)有人真正懂算法和工藝的結(jié)合。如果你以為買套設(shè)備就完事那大概率會(huì)變成產(chǎn)線上一個(gè)昂貴的擺設(shè)。如果你愿意按系統(tǒng)化的路數(shù)來(lái)做AI 質(zhì)檢的收益不是線性的它會(huì)在某個(gè)節(jié)點(diǎn)突然爆發(fā)。2. 為什么質(zhì)檢這個(gè)場(chǎng)景比你想的更值得用 AI 做2.1 傳統(tǒng)質(zhì)檢的“三座大山”壓在每一個(gè)質(zhì)量主管頭上制造業(yè)的質(zhì)檢環(huán)節(jié)過(guò)去幾十年的核心手段就是兩個(gè)人工目檢和傳統(tǒng)機(jī)器視覺(jué)。這兩種方式發(fā)展到今天都已經(jīng)到了瓶頸期。人工目檢的問(wèn)題不用多說(shuō)人的注意力天生就是遞減的。我見(jiàn)過(guò)太多產(chǎn)線上的質(zhì)檢員上午剛上崗的時(shí)候檢出率能到 95%干到下午三點(diǎn)眼睛都快花了漏檢率直線上升。更麻煩的是人的標(biāo)準(zhǔn)不穩(wěn)定——同一個(gè)缺陷今天判定不合格明天可能就放行了。我們內(nèi)部做過(guò)統(tǒng)計(jì)一條產(chǎn)線多個(gè)質(zhì)檢員對(duì)同一批產(chǎn)品的判定一致性通常只有 70% 到 80%這個(gè)數(shù)據(jù)在不同工廠差異很大但從來(lái)沒(méi)見(jiàn)哪家能穩(wěn)定到 90% 以上。傳統(tǒng)機(jī)器視覺(jué)則是另一套邏輯它的核心是“規(guī)則”。工程師根據(jù)缺陷的特征去設(shè)計(jì)光源、鏡頭、算法把“劃痕太長(zhǎng)”“色差偏大”“位置偏移”這類規(guī)則寫成程序。這種方式的優(yōu)點(diǎn)是穩(wěn)定但缺點(diǎn)也非常明顯——它只能檢出你預(yù)設(shè)過(guò)的缺陷。工業(yè)現(xiàn)場(chǎng)的缺陷形態(tài)千變?nèi)f化一個(gè)磕碰的痕跡可能是斜的可能是弧形的可能帶一點(diǎn)顏色變化規(guī)則寫死了遇到?jīng)]見(jiàn)過(guò)的形態(tài)就漏檢。而且每換一個(gè)產(chǎn)品型號(hào)就要重新調(diào)參產(chǎn)線換型的時(shí)間成本高得嚇人我見(jiàn)過(guò)一條線換一次型要調(diào)兩周參數(shù)的。2.2 AI 質(zhì)檢不是簡(jiǎn)單的“換個(gè)識(shí)別方式”而是質(zhì)量數(shù)據(jù)的重構(gòu)AI 質(zhì)檢能解決什么問(wèn)題本質(zhì)上是把“人眼判斷”變成“數(shù)據(jù)判斷”把“規(guī)則匹配”變成“模式識(shí)別”。拿我們做過(guò)的電子元器件外觀檢測(cè)來(lái)說(shuō)傳統(tǒng)方案要在 0.2 秒內(nèi)判斷一個(gè)元件表面的劃痕是否超標(biāo)工程師要把劃痕的長(zhǎng)度、寬度、深度、位置全轉(zhuǎn)化成閾值。但一個(gè)真實(shí)缺陷的長(zhǎng)相很難用幾個(gè)參數(shù)描述清楚。AI 模型的做法不一樣它看的是成千上萬(wàn)個(gè)“合格/不合格”樣本自己總結(jié)出缺陷的模式特征。所以面對(duì)沒(méi)見(jiàn)過(guò)的缺陷形態(tài)它的泛化能力天然比規(guī)則引擎強(qiáng)。但我必須說(shuō)清楚AI 質(zhì)檢不是銀彈。行業(yè)內(nèi)的人經(jīng)常講“有多少人工就有多少智能”這句話放在質(zhì)檢領(lǐng)域特別真實(shí)。AI 模型的精度取決于訓(xùn)練數(shù)據(jù)的質(zhì)量和覆蓋面如果你的樣本庫(kù)本身就缺了某類缺陷那模型上線之后照樣漏檢。這恰恰是很多中小工廠最容易栽跟頭的地方——以為買來(lái)標(biāo)注好的公開(kāi)數(shù)據(jù)集就能搞定結(jié)果跑到自己產(chǎn)線上發(fā)現(xiàn)自己家的缺陷長(zhǎng)得跟數(shù)據(jù)集里完全不一樣。2.3 什么樣的產(chǎn)線最適合先上 AI 質(zhì)檢不是所有產(chǎn)線都適合立刻上 AI 質(zhì)檢。我自己判斷一個(gè)項(xiàng)目是否成熟會(huì)看三個(gè)條件。第一看缺陷的顯性程度。如果缺陷是人肉眼能看出來(lái)的但判別標(biāo)準(zhǔn)復(fù)雜、容易疲勞比如汽車零部件表面的劃痕、印刷品的套印偏差這就是好場(chǎng)景。如果缺陷是人眼根本看不見(jiàn)的比如某些微米級(jí)的內(nèi)部損傷那 AI 視覺(jué)也未必能搞定可能需要換傳感器成本就不是一回事了。第二看換型頻率。如果產(chǎn)線一天換好幾次型號(hào)每次換完產(chǎn)品外觀差異巨大那么 AI 模型的適配成本會(huì)很高。如果某個(gè)型號(hào)的產(chǎn)量大、生產(chǎn)周期長(zhǎng)那一個(gè)模型可以用很久投入產(chǎn)出比最好。我的經(jīng)驗(yàn)是“少品種大批量”的產(chǎn)線是 AI 質(zhì)檢的第一批落地場(chǎng)景。第三看有沒(méi)有數(shù)據(jù)基礎(chǔ)。有些工廠連連續(xù)一個(gè)月的質(zhì)檢記錄都拿不出來(lái)產(chǎn)品合格了就是合格了沒(méi)有圖片記錄也沒(méi)有缺陷分類——這種要從零開(kāi)始攢數(shù)據(jù)周期就長(zhǎng)了。最好先從一個(gè)工位、一條線開(kāi)始跑數(shù)據(jù)積累不要一上來(lái)就想著全廠鋪開(kāi)。3. 五步實(shí)施法從立項(xiàng)到量產(chǎn)這是一條完整的鏈路3.1 第一步別急著上設(shè)備先把質(zhì)量基線和數(shù)據(jù)資產(chǎn)盤清楚很多人找我聊 AI 質(zhì)檢開(kāi)口第一個(gè)問(wèn)題就是“用什么相機(jī)”“用什么 GPU”但我的習(xí)慣永遠(yuǎn)是反著來(lái)的——先問(wèn)“你們現(xiàn)在的質(zhì)檢流程是怎么跑的”“有沒(méi)有留下歷史數(shù)據(jù)”。這一步在我們內(nèi)部叫“質(zhì)量基線建立”一共要盤四類事情。第一過(guò)去三到六個(gè)月的缺陷類型和占比這是判斷 AI 模型檢測(cè)能力邊界的依據(jù)第二每條產(chǎn)線的節(jié)拍和檢測(cè)工位數(shù)量這決定了系統(tǒng)的硬件架構(gòu)和檢測(cè)速度要求第三現(xiàn)有質(zhì)檢人員的判定標(biāo)準(zhǔn)和記錄方式我們要評(píng)估數(shù)據(jù)能否直接用于模型訓(xùn)練第四缺陷樣本有沒(méi)有留圖、是不是按類型歸檔了如果留了圖那恭喜你項(xiàng)目可能省掉一半時(shí)間。我在評(píng)估項(xiàng)目的時(shí)候會(huì)用到一個(gè)簡(jiǎn)單的打分表。五到十個(gè)維度的評(píng)分歷史數(shù)據(jù)完整度 15 分、缺陷類型明確度 15 分、產(chǎn)線自動(dòng)化水平 20 分、管理層投入意愿 20 分、IT 基礎(chǔ)設(shè)施 15 分、預(yù)算匹配度 15 分。平均分能上 70 的我才會(huì)建議“可以做”。這一步聽(tīng)起來(lái)簡(jiǎn)單實(shí)際往往會(huì)拖很久。因?yàn)橹圃鞓I(yè)現(xiàn)場(chǎng)的數(shù)據(jù)普遍問(wèn)題是“有記錄但沒(méi)歸檔有數(shù)據(jù)但沒(méi)標(biāo)簽”。你也別說(shuō)工廠不好很多品質(zhì)主管手里拿的都是 excel 表格里面寫了日期、型號(hào)、缺陷代碼、數(shù)量但你要問(wèn)他對(duì)應(yīng)的圖片在哪里大概率是沒(méi)有的。遇到這種情況就得從上線當(dāng)天開(kāi)始新建數(shù)據(jù)收集機(jī)制這個(gè)后面會(huì)細(xì)講。3.2 第二步做缺陷定義和標(biāo)注體系這是決定項(xiàng)目上限的關(guān)鍵如果只讓我講一條最重要的實(shí)施經(jīng)驗(yàn)?zāi)蔷褪茿I 質(zhì)檢項(xiàng)目的成敗在標(biāo)注體系設(shè)計(jì)的那一刻就基本注定了。為什么這么說(shuō)因?yàn)槟Ｐ陀?xùn)練的本質(zhì)是“讓算法理解什么是好的、什么是不好的”而“好與不好”的定義權(quán)掌握在工藝和質(zhì)量團(tuán)隊(duì)手里。如果這些定義模糊給到標(biāo)注員的規(guī)則就是模糊的標(biāo)注出來(lái)的數(shù)據(jù)就是噪聲模型訓(xùn)練出來(lái)自然不可能精準(zhǔn)。我們常用一個(gè)“三階梯定義法”來(lái)梳理缺陷標(biāo)注體系。第一層叫粗分類就是把缺陷分成幾大類比如“表面缺陷”“尺寸超差”“異物污染”“裝配不良”第二層叫細(xì)分類在粗分類下再細(xì)分比如表面缺陷下面分“劃痕”“凹陷”“臟污”“氧化變色”第三層是邊界界定明確哪些程度算不良、哪些是可接受的。邊界界定的部分最要命。比如“劃痕”這種東西長(zhǎng)度小于 0.5mm 的算不算在連接器端子的表面上又算不算這需要質(zhì)量團(tuán)隊(duì)和工藝團(tuán)隊(duì)掰扯清楚。我見(jiàn)過(guò)最夸張的項(xiàng)目光缺陷界定標(biāo)準(zhǔn)就開(kāi)了七輪會(huì)但一旦定清楚后面模型的準(zhǔn)確率就很穩(wěn)定。反過(guò)來(lái)有一個(gè)項(xiàng)目沒(méi)認(rèn)真做這一步在標(biāo)注階段大家就吵起來(lái)了同一個(gè)缺陷圖片A 標(biāo)注員判“minor”B 標(biāo)注員判“major”標(biāo)注一致性直接崩盤。所以我的建議是在批量標(biāo)注啟動(dòng)前先拉一個(gè)二十到三十張圖的“黃金測(cè)試集”讓所有標(biāo)注員先標(biāo)一遍算一下兩兩之間的一致性低于 90% 就不要急著鋪開(kāi)標(biāo)。3.3 第三步模型選型不是越先進(jìn)越好穩(wěn)定性和可解釋性優(yōu)先把數(shù)據(jù)準(zhǔn)備好了接下來(lái)才到模型層面。這個(gè)環(huán)節(jié)我見(jiàn)得最多的誤區(qū)是什么就是迷信“大廠的最新模型”拼命往里面堆算力。但在工業(yè)場(chǎng)景里穩(wěn)定性和響應(yīng)速度比什么都重要。你要的不是一個(gè)在公開(kāi)數(shù)據(jù)集上刷分很高的模型而是一個(gè)在你自己產(chǎn)線樣本上長(zhǎng)時(shí)間穩(wěn)定輸出的模型。我們目前用得比較多的是基于深度學(xué)習(xí)的語(yǔ)義分割和異常檢測(cè)組合方案。簡(jiǎn)單解釋一下檢測(cè)網(wǎng)絡(luò)負(fù)責(zé)把圖像里的缺陷區(qū)域“勾”出來(lái)分割網(wǎng)絡(luò)讓模型對(duì)“位置、面積、形狀”有量化認(rèn)知這樣既可以判定“有沒(méi)有缺陷”又能給質(zhì)量工程師輸出缺陷的面積和位置方便后續(xù)做根因分析。當(dāng)然如果產(chǎn)線算力有限用分類網(wǎng)絡(luò)也能解決一部分問(wèn)題但它的輸出有限只能回答“是/否缺陷”深入分析的擴(kuò)展性就差一些。模型評(píng)估階段我們最看重三個(gè)指標(biāo)精確率、召回率和誤檢率。精確率衡量的是“AI 判定為不良的產(chǎn)品里真正不良的比例”召回率衡量的是“真正不良的產(chǎn)品里AI 找到了多少”誤檢率衡量的是“把良品誤判為不良的比例”。在質(zhì)檢場(chǎng)景里召回率通常比精確率更重要——漏掉一個(gè)不良品流到客戶那里比多攔住幾個(gè)良品嚴(yán)重得多。但誤檢率也不是越低越好你誤檢率太高產(chǎn)線天天把好東西當(dāng)壞品攔下來(lái)作業(yè)員就會(huì)對(duì)這套系統(tǒng)失去信任。我給你個(gè)參考框架一個(gè)合格的 AOI自動(dòng)光學(xué)檢測(cè) AI 方案在核心缺陷類別上召回率要能做到 95% 以上誤檢率控制在 15% 以內(nèi)。注意如果缺陷本身特別細(xì)微比如 0.1mm 級(jí)別的劃痕那召回率可能得放寬到 90% 左右否則模型會(huì)保守到嚴(yán)重誤檢產(chǎn)線根本跑不動(dòng)。3.4 第四步部署和適配硬件的坑比你想象的多模型練好了只是完成了 30% 的工作。剩下 70% 的工程量在部署環(huán)節(jié)包括工控機(jī)選型、光學(xué)方案設(shè)計(jì)、產(chǎn)線節(jié)拍匹配、系統(tǒng)與 MES 的對(duì)接等等。先說(shuō)光學(xué)方案。這是很多從算法轉(zhuǎn)過(guò)來(lái)的人最容易忽視的環(huán)節(jié)。鏡頭和光源沒(méi)選對(duì)拍出來(lái)的圖達(dá)不到訓(xùn)練集的質(zhì)量模型再?gòu)?qiáng)也沒(méi)用。一個(gè)典型的例子訓(xùn)練時(shí)用的圖片是 LED 環(huán)形光源下的均勻光照結(jié)果現(xiàn)場(chǎng)裝了個(gè)條形光源物體表面產(chǎn)生了反光和陰影模型直接就不認(rèn)識(shí)了誤檢率飆升。所以我們的建議是現(xiàn)場(chǎng)裝完光學(xué)設(shè)備后必須重新采集一批“現(xiàn)場(chǎng)圖”來(lái)測(cè)試模型不能只在實(shí)驗(yàn)室里頭自嗨。再說(shuō)節(jié)拍問(wèn)題。制造業(yè)產(chǎn)線講究節(jié)拍假設(shè)一條線一秒過(guò)兩個(gè)產(chǎn)品你的 AI 系統(tǒng)如果從拍照到返回結(jié)果需要 1.2 秒那產(chǎn)線就得停下來(lái)等它這是不可接受的。解決方案一般有兩個(gè)方向一是把檢測(cè)放在工位閑置的工序之后錯(cuò)峰處理二是做多相機(jī)并行處理用兩臺(tái)工控機(jī)分別跑模型。這個(gè)要具體看產(chǎn)線的物理布局和檢測(cè)需求沒(méi)有統(tǒng)一答案。部署的時(shí)候還要考慮工控機(jī)的 GPU 選型。很多人以為攝像頭分辨率越高越好但分辨率越高模型推理時(shí)間越長(zhǎng)對(duì) GPU 的要求也越高。我們一般的經(jīng)驗(yàn)是用 200 萬(wàn)到 500 萬(wàn)像素的工業(yè)相機(jī)配上嵌入式或工控級(jí)的 GPU比如 NVIDIA 的 Jetson 系列或 RTX 系列就能覆蓋大部分外觀檢測(cè)場(chǎng)景。更高的分辨率通常留給對(duì)精細(xì)度要求極高的半導(dǎo)體或新能源行業(yè)。3.5 第五步閉環(huán)迭代讓系統(tǒng)越用越準(zhǔn)AI質(zhì)檢系統(tǒng)上線不是交付的時(shí)刻而是運(yùn)營(yíng)的開(kāi)始。產(chǎn)線環(huán)境是動(dòng)態(tài)變化的光源會(huì)衰減產(chǎn)品工藝會(huì)微調(diào)原材料批次會(huì)有差異。如果系統(tǒng)不更新三個(gè)月之后精度就會(huì)下降。所以我會(huì)要求每個(gè)項(xiàng)目都要建立“數(shù)據(jù)回流模型重訓(xùn)”的閉環(huán)機(jī)制。怎么閉環(huán)很簡(jiǎn)單系統(tǒng)每天自動(dòng)把判定結(jié)果和對(duì)應(yīng)的圖片保存下來(lái)質(zhì)量工程師每周抽檢一遍把 AI 判斷錯(cuò)的樣本挑出來(lái)重新標(biāo)注再丟回訓(xùn)練集每個(gè)月做一次模型迭代。這樣做的好處是隨著系統(tǒng)運(yùn)行時(shí)間變長(zhǎng)積累的新樣本越來(lái)越多模型對(duì)現(xiàn)場(chǎng)環(huán)境的適應(yīng)能力會(huì)越來(lái)越強(qiáng)。這一步還要構(gòu)建一個(gè)“人機(jī)協(xié)同”的流程。AI 判定的不良品先進(jìn)入一個(gè)復(fù)判工作站由人工確認(rèn)一次確認(rèn)結(jié)果再回流給系統(tǒng)。這樣短期內(nèi)你并沒(méi)有完全替代質(zhì)檢員但系統(tǒng)通過(guò)人工復(fù)判持續(xù)學(xué)習(xí)幾個(gè)月后模型精度上來(lái)了就可以慢慢減少?gòu)?fù)判比例。從我的項(xiàng)目經(jīng)驗(yàn)來(lái)看一般跑完三到四個(gè)月AI 的檢測(cè)能力會(huì)趨于穩(wěn)定這時(shí)候產(chǎn)線上只需要保留一到兩個(gè)復(fù)核崗處理 AI 判為“疑似”的產(chǎn)品。4. 真實(shí)案例復(fù)盤一個(gè)連接器工廠的 AI 質(zhì)檢推進(jìn)全程4.1 項(xiàng)目背景缺陷率高、客戶投訴頻發(fā)被逼出來(lái)的改造說(shuō)一個(gè) 2025 年完成的真實(shí)項(xiàng)目客戶是做汽車連接器的主要產(chǎn)品是端子、護(hù)套、線束連接器客戶是一線車企的 Tier 1 供應(yīng)商。他們的核心痛點(diǎn)有兩個(gè)一個(gè)是出廠端的缺陷投訴尤其是端子表面的微小劃痕和鍍層損傷在客戶端被反復(fù)投訴另一個(gè)是內(nèi)部質(zhì)量成本太高一條線配了六個(gè)質(zhì)檢員夜班還得再加兩個(gè)人力成本高漏檢率也沒(méi)有降下來(lái)。當(dāng)時(shí)他們廠里的狀況是產(chǎn)線速度很快節(jié)拍大概 1.8 秒一個(gè)零件原來(lái)用的是傳統(tǒng)機(jī)器視覺(jué)對(duì)上表面的劃痕檢測(cè)效果還可以但一遇到“輕微的鍍層不均勻”或“輪廓邊緣毛刺過(guò)小”傳統(tǒng)規(guī)則就被打穿了很容易漏檢。項(xiàng)目啟動(dòng)前我們做了一個(gè)月的數(shù)據(jù)摸底。翻了過(guò)去半年的客訴記錄和產(chǎn)線不良數(shù)據(jù)發(fā)現(xiàn)真正導(dǎo)致客訴的缺陷里有 45% 是“微小劃痕”25% 是“鍍層不均”剩下的分散在十幾種缺陷類型里。而傳統(tǒng)視覺(jué)系統(tǒng)對(duì)這 70% 的缺陷幾乎都沒(méi)有有效檢出能力。4.2 實(shí)施過(guò)程數(shù)據(jù)、模型、上線每一步都有明確的動(dòng)作這個(gè)項(xiàng)目的實(shí)施周期一共十七周我拆成四個(gè)階段來(lái)講。第一個(gè)階段是數(shù)據(jù)采集和標(biāo)注用了四周。我們當(dāng)時(shí)在產(chǎn)線上加裝了兩套工業(yè)相機(jī)一套俯拍端子表面一套側(cè)拍端子的輪廓邊緣連續(xù)跑了三周采集了原始圖像接近二十萬(wàn)張。然后從里面挑出了約兩萬(wàn)八千張“有代表性”的圖像做標(biāo)注所謂有代表性就是缺陷類型分布要盡量均衡不能全是某一種最常見(jiàn)缺陷。這里有個(gè)細(xì)節(jié)標(biāo)注不是只標(biāo)“好/壞”而是要畫出缺陷的位置和輪廓用分割標(biāo)注的方式把缺陷區(qū)域的邊界標(biāo)出來(lái)。之所以要標(biāo)分割是因?yàn)楹罄m(xù)我們要讓 AI 輸出缺陷的面積和形狀方便工程師做根因分析。第二個(gè)階段是模型訓(xùn)練和驗(yàn)證用了五周。我們同時(shí)訓(xùn)練了檢測(cè)網(wǎng)絡(luò)和分割網(wǎng)絡(luò)兩個(gè)模型。剛跑第一版召回率 92%誤檢率 28%這個(gè)結(jié)果其實(shí)離目標(biāo)還很遠(yuǎn)。于是做了三件事第一加數(shù)據(jù)把現(xiàn)場(chǎng)“誤檢”的圖都撈回來(lái)人工確認(rèn)后回填到訓(xùn)練集里第二調(diào)訓(xùn)練策略給“難例”加了更高的損失權(quán)重讓模型重點(diǎn)學(xué)習(xí)那些容易混淆的缺陷第三重新做數(shù)據(jù)增強(qiáng)模擬現(xiàn)場(chǎng)可能出現(xiàn)的亮度變化和角度旋轉(zhuǎn)。三管齊下到第五周測(cè)試集上召回率到了 96.5%誤檢率降到了 11.2%。第三個(gè)階段是產(chǎn)線試運(yùn)行用了六周。我們選了一條節(jié)拍最快的產(chǎn)線做試點(diǎn)一開(kāi)始沒(méi)有直接取代人而是“AI人”并行運(yùn)行。AI 先判定質(zhì)檢員再判一次兩邊結(jié)果比對(duì)。第一周確實(shí)慘不忍睹AI 經(jīng)常把指紋、灰塵當(dāng)缺陷誤檢率一度超過(guò) 30%。我們當(dāng)時(shí)壓力很大后來(lái)排查發(fā)現(xiàn)是現(xiàn)場(chǎng)的光源來(lái)自窗戶的自然光干擾訓(xùn)練集里沒(méi)考慮到這種光照偏移。處理辦法也很土——在相機(jī)周圍加了一圈遮光罩再把光源調(diào)整到恒定亮度。之后誤檢率才慢慢降下來(lái)。第四階段是正式上崗和迭代一直到項(xiàng)目結(jié)束之后都在持續(xù)。我們幫客戶搭建了一個(gè)簡(jiǎn)易的標(biāo)注反饋平臺(tái)——其實(shí)就是網(wǎng)頁(yè)上拖一個(gè)矩形框選一個(gè)缺陷類型點(diǎn)一下保存。質(zhì)檢員每天花半個(gè)小時(shí)對(duì) AI 的“疑似缺陷”結(jié)果做復(fù)核每周五把復(fù)核結(jié)果導(dǎo)出來(lái)作為下一輪模型訓(xùn)練的輸入。4.3 數(shù)據(jù)結(jié)果缺陷率降幅是真的但過(guò)程遠(yuǎn)比宣傳更曲折項(xiàng)目收官時(shí)的數(shù)據(jù)是核心缺陷的漏檢率從原來(lái)的 3.8% 降到了 0.9%缺陷率整體下降了接近 70%。人工質(zhì)檢員從一條線六個(gè)人降到兩個(gè)人剩下的兩個(gè)人主要負(fù)責(zé)復(fù)核 AI 判定為“疑似”的產(chǎn)品。但我要說(shuō)句實(shí)話這個(gè) 70% 不是一夜之間出現(xiàn)的。第一個(gè)月缺陷率只降了大概 20%中間還經(jīng)歷了幾次模型波動(dòng)有一次系統(tǒng)升級(jí)后誤檢率反而升高了產(chǎn)線工人差點(diǎn)罷用。真正穩(wěn)定到 70% 的降幅是在上線三個(gè)月之后。所以如果你準(zhǔn)備推動(dòng)類似項(xiàng)目務(wù)必要管理好老板的預(yù)期——AI 質(zhì)檢是需要一段“爬坡期”的不是輸入一批數(shù)據(jù)就能立刻變現(xiàn)。另一個(gè)意外收獲是這套系統(tǒng)上線之后通過(guò)分析 AI 標(biāo)記出來(lái)的缺陷位置和頻次客戶找到了劃痕產(chǎn)生的根源——原來(lái)是沖壓模具的導(dǎo)入端有一個(gè)輕微的毛刺刮傷了連續(xù)經(jīng)過(guò)的端子。這個(gè)問(wèn)題我們花了三天改模具拋光結(jié)果劃痕類缺陷直接減少了 60%。這就是數(shù)據(jù)的長(zhǎng)期價(jià)值A(chǔ)I 質(zhì)檢不止是攔截不良品它還能幫你找到不良產(chǎn)生的原因。這個(gè)事情給我最大的啟發(fā)就是AI 質(zhì)檢真正值錢的部分不是算法本身而是算法把產(chǎn)線的隱性規(guī)律暴露了出來(lái)。5. 落地過(guò)程中的典型問(wèn)題與排查技巧5.1 數(shù)據(jù)相關(guān)的坑樣本不均衡、標(biāo)注不一致、現(xiàn)場(chǎng)與訓(xùn)練集分布漂移先講樣本不均衡的問(wèn)題。我見(jiàn)過(guò)很多項(xiàng)目的真實(shí)情況是某一種缺陷類型占了總不良的 70%剩下的三十幾種缺陷加起來(lái)只占 30%。如果直接拿這些數(shù)據(jù)去訓(xùn)練模型會(huì)嚴(yán)重偏向數(shù)量多的那類缺陷小樣本缺陷幾乎學(xué)不出來(lái)。解決辦法有一個(gè)對(duì)小樣本類別做過(guò)采樣也就是把這類缺陷的圖片反復(fù)送入訓(xùn)練或者用數(shù)據(jù)增強(qiáng)的方式把小樣本圖片做亮度變化、旋轉(zhuǎn)、縮放人工擴(kuò)出更多變體。再講標(biāo)注不一致這個(gè)問(wèn)題我在前面已經(jīng)強(qiáng)調(diào)過(guò)。這里給一個(gè)實(shí)操建議在標(biāo)注工具里建立“標(biāo)注規(guī)范文檔”把每種缺陷的邊界情況用圖文方式寫清楚并且每個(gè)標(biāo)注員入職后的前三天只做黃金測(cè)試集的反復(fù)標(biāo)注與校準(zhǔn)。我們內(nèi)部要求每個(gè)標(biāo)注員的標(biāo)注一致性要達(dá)到 92% 以上才能進(jìn)入正式標(biāo)注環(huán)節(jié)。還有分布漂移的問(wèn)題。模型在訓(xùn)練集上表現(xiàn)很好一上現(xiàn)場(chǎng)就崩這大概率是“域差異”導(dǎo)致的——訓(xùn)練集里是實(shí)驗(yàn)室光線、實(shí)驗(yàn)室角度現(xiàn)場(chǎng)卻有溫濕度變化、震動(dòng)、自然光干擾、產(chǎn)品裝偏。要解決這個(gè)問(wèn)題最有效的辦法是“現(xiàn)場(chǎng)數(shù)據(jù)回填”也就是前面說(shuō)的系統(tǒng)上線后連續(xù)采集一兩天的現(xiàn)場(chǎng)圖像讓人工把結(jié)果標(biāo)出來(lái)合并到訓(xùn)練集里重新訓(xùn)練。這樣模型很快就適應(yīng)現(xiàn)場(chǎng)了。5.2 硬件和環(huán)境的坑光源抖動(dòng)、焦距漂移、網(wǎng)線斷連硬件層面最容易翻車的是光源。工業(yè)現(xiàn)場(chǎng)的環(huán)境很臟光源用久了衰減亮度會(huì)慢慢降下來(lái)。光源一暗圖像的對(duì)比度就變了模型的檢測(cè)能力馬上打折。所以一定要在軟件里做一個(gè)“圖像亮度監(jiān)控”每天記錄平均亮度一旦低于某個(gè)閾值就觸發(fā)報(bào)警提醒你更換光源。焦距漂移也是個(gè)隱形殺手。產(chǎn)線上如果有振動(dòng)相機(jī)鏡頭可能會(huì)輕微松動(dòng)導(dǎo)致圖像模糊。這個(gè)監(jiān)控起來(lái)很容易——在檢測(cè)區(qū)域的外圍放一張小二維碼或者標(biāo)記物軟件每十分鐘檢查一次它的清晰度如果模糊了就自動(dòng)告警。聽(tīng)起來(lái)很土但非常管用。網(wǎng)絡(luò)問(wèn)題也不能忽視。工業(yè)現(xiàn)場(chǎng)有時(shí)候有很強(qiáng)的電磁干擾網(wǎng)線如果質(zhì)量不好數(shù)據(jù)傳輸會(huì)間斷性丟包。我自己的經(jīng)驗(yàn)是能用光纖就用光纖網(wǎng)線至少是六類以上的屏蔽線并且要走獨(dú)立的線槽不要跟電機(jī)電纜綁在一起。5.3 組織和管理上的坑一線工人不配合、管理層期望錯(cuò)位技術(shù)上的坑都好填真正的坑往往在組織層面。很多工廠上 AI 質(zhì)檢工人第一反應(yīng)是抵觸——“是不是要裁人了”這種心態(tài)不解決系統(tǒng)就只是擺設(shè)。我們做過(guò)一次比較成功的試點(diǎn)做法很簡(jiǎn)單先不減少任何質(zhì)檢崗位讓 AI 給質(zhì)檢員當(dāng)“助手”幫他們做初步判定質(zhì)檢員只用確認(rèn)就行。系統(tǒng)上線后老質(zhì)檢員發(fā)現(xiàn)自己工作輕松了身體沒(méi)有那么累了才開(kāi)始慢慢接受。等到系統(tǒng)穩(wěn)定了企業(yè)再做崗位調(diào)整把富余的人力安排到其他工位。說(shuō)白了AI 質(zhì)檢不能做成“人機(jī)的零和博弈”而要把它定位成“人的能力擴(kuò)展”。管理層期望錯(cuò)位的坑也很常見(jiàn)。有些老板看了一篇文章說(shuō) AI 質(zhì)檢可以把漏檢率降到零就認(rèn)為這是個(gè)“無(wú)人化”的項(xiàng)目。但我前面也說(shuō)了模型會(huì)有誤檢會(huì)有漏檢也會(huì)有邊界情況。我的建議是在項(xiàng)目啟動(dòng)會(huì)上就要把“系統(tǒng)能力的邊界”講清楚用數(shù)據(jù)說(shuō)話——比如“在劃痕識(shí)別上可以到 96% 的召回率但 0.1mm 以下的極細(xì)微缺陷需要另配高倍顯微鏡”。管理層只有理解了邊界后續(xù)的調(diào)整才不會(huì)互相甩鍋。5.4 常見(jiàn)問(wèn)題速查表問(wèn)題現(xiàn)象可能原因排查思路與解決辦法模型離線測(cè)試很好上產(chǎn)線誤檢率飆升現(xiàn)場(chǎng)光照、角度與訓(xùn)練集不一致現(xiàn)場(chǎng)重新采集圖片做數(shù)據(jù)回填后重新訓(xùn)練某類缺陷召回率特別低缺陷樣本數(shù)量不足模型沒(méi)學(xué)會(huì)針對(duì)性采集該類缺陷圖片或做數(shù)據(jù)增強(qiáng)系統(tǒng)時(shí)不時(shí)漏檢不穩(wěn)定光源亮度波動(dòng)或鏡頭松動(dòng)加裝亮度監(jiān)控和清晰度自檢定期緊固硬件相機(jī)拍照速度跟不上產(chǎn)線節(jié)拍曝光時(shí)間太長(zhǎng)或觸發(fā)延遲縮短曝光時(shí)間、改用全局快門相機(jī)或做多相機(jī)并行工人反饋系統(tǒng)頻繁誤報(bào)影響生產(chǎn)判定閾值設(shè)置過(guò)于嚴(yán)格調(diào)整模型置信度閾值優(yōu)先保節(jié)拍后續(xù)再漸進(jìn)收緊系統(tǒng)一升級(jí)效果反而變差新模型過(guò)擬合了舊數(shù)據(jù)回滾到上一版本重新評(píng)估訓(xùn)練集的分布控制迭代節(jié)奏6. 落地之前還有幾個(gè)必須想清楚的決策點(diǎn)6.1 自研算法還是采購(gòu)成品方案這是所有工廠老板都糾結(jié)的問(wèn)題。自研算法聽(tīng)起來(lái)高大上但它要求你有一個(gè)長(zhǎng)期穩(wěn)定的算法團(tuán)隊(duì)能應(yīng)對(duì)數(shù)據(jù)標(biāo)注、模型訓(xùn)練、模型迭代、硬件維護(hù)這一整套流程。這種團(tuán)隊(duì)的年成本基本不會(huì)低于一百五十萬(wàn)。如果你的產(chǎn)線少于十條我會(huì)建議直接買成熟方案如果產(chǎn)線很多、年產(chǎn)量很大且你有信心沉淀自己的數(shù)據(jù)資產(chǎn)自研是可以考慮的。采購(gòu)成品方案要怎么做三個(gè)招標(biāo)核心點(diǎn)可以看一看對(duì)方做沒(méi)做過(guò)同行業(yè)的案例有沒(méi)有跑滿一年的穩(wěn)定記錄二看對(duì)方是否開(kāi)放數(shù)據(jù)接口和模型訓(xùn)練工具別買了一個(gè)“黑盒”以后想優(yōu)化都沒(méi)得優(yōu)化三看售后服務(wù)的響應(yīng)時(shí)間工業(yè)現(xiàn)場(chǎng)出問(wèn)題是要分秒必爭(zhēng)的上午報(bào)修下午就要有人到場(chǎng)否則產(chǎn)線停工一天的成本都?jí)蛟儋I一套系統(tǒng)了。6.2 硬件投入到底要多少錢很多老板問(wèn)我AI 質(zhì)檢得花多少錢。我說(shuō)你先算賬一條檢測(cè)工位工業(yè)相機(jī)加鏡頭加光源大約一到三萬(wàn)元工控機(jī)加 GPU一到四萬(wàn)元軟件授權(quán)和算法部署一年五到二十萬(wàn)元不等。加上安裝調(diào)試、產(chǎn)線改造一條線下來(lái)十五到五十萬(wàn)是一個(gè)比較合理的區(qū)間。但比這個(gè)更重要的是怎么算回收期。我習(xí)慣用“三個(gè)數(shù)字”來(lái)算產(chǎn)線停一次機(jī)損失多少錢、客訴一次賠多少錢、質(zhì)檢員一年工資加社保多少錢。假設(shè)一條線原來(lái)六個(gè)質(zhì)檢員年人力成本六十萬(wàn)AI 系統(tǒng)上線后能壓縮到兩個(gè)人省下四十萬(wàn)加上缺陷率下降帶來(lái)的客訴減少和退貨減少一年的綜合收益大概在一百二十萬(wàn)以上。這樣算下來(lái)投資回收期大概率在半年內(nèi)這個(gè)項(xiàng)目就值得做。6.3 團(tuán)隊(duì)能力要求和解法做 AI 質(zhì)檢項(xiàng)目你不一定需要自己會(huì)寫算法但一定要有人能“跟算法對(duì)話”。我建議工廠至少培養(yǎng)一個(gè)“AI 質(zhì)檢協(xié)調(diào)員”這個(gè)人不需要是算法專家但要能理解檢測(cè)指標(biāo)、能看懂缺陷標(biāo)注規(guī)則、能跟算法工程師描述產(chǎn)線現(xiàn)象。從哪里找這個(gè)人最好是現(xiàn)有的 IE 工程師、自動(dòng)化工程師或者品質(zhì)主管。他們對(duì)產(chǎn)線和工藝足夠熟悉加上一些基礎(chǔ)的算法知識(shí)培訓(xùn)就能承擔(dān)起“橋梁”作用。我自己做過(guò)內(nèi)訓(xùn)三天的線下課核心內(nèi)容就三個(gè)AI 基本概念、圖像標(biāo)注方法論、產(chǎn)線問(wèn)題如何轉(zhuǎn)化成 AI 需求。只要這個(gè)人培養(yǎng)出來(lái)你后續(xù)的項(xiàng)目推進(jìn)就不會(huì)總是依賴外部供應(yīng)商。6.4 投入產(chǎn)出比的正確評(píng)估姿勢(shì)最后多說(shuō)一句投入產(chǎn)出比的評(píng)估。很多工廠算這個(gè)賬的時(shí)候只會(huì)算“省了多少人力”“降了多少不良”忽略了兩個(gè)隱藏收益。第一個(gè)是“數(shù)據(jù)資產(chǎn)收益”AI 質(zhì)檢系統(tǒng)運(yùn)行一年后你手上會(huì)積累上千萬(wàn)張帶標(biāo)注的產(chǎn)線圖片這些數(shù)據(jù)將來(lái)可以做工藝優(yōu)化、做設(shè)備預(yù)測(cè)性維護(hù)價(jià)值遠(yuǎn)超質(zhì)檢本身。第二個(gè)是“客戶信任收益”現(xiàn)在很多行業(yè)龍頭在審核供應(yīng)商的時(shí)候會(huì)看供應(yīng)商有沒(méi)有數(shù)字化質(zhì)量追溯能力你有一套 AI 質(zhì)檢系統(tǒng)在客戶那兒的信任度和議價(jià)空間都會(huì)不同。所以我的建議是評(píng)估 AI 質(zhì)檢項(xiàng)目不要只看第一年的財(cái)務(wù)回報(bào)要把兩年的視角放進(jìn)去甚至要把它放進(jìn)你整個(gè)數(shù)字化工廠的藍(lán)圖里。它不是一次性的成本而是未來(lái)智能化升級(jí)的基礎(chǔ)設(shè)施。7. 寫在最后的一點(diǎn)心里話我做了這么多年制造業(yè)數(shù)字化項(xiàng)目最大的感受是技術(shù)永遠(yuǎn)是最好解決的問(wèn)題難的是把現(xiàn)場(chǎng)的人、流程、組織全部對(duì)起來(lái)。AI 質(zhì)檢也一樣它考驗(yàn)的不是算法工程師刷分的能力而是你能不能把產(chǎn)線上那些說(shuō)不清道不明的“質(zhì)量經(jīng)驗(yàn)”翻譯成數(shù)據(jù)、規(guī)則和模型能理解的語(yǔ)言。如果你現(xiàn)在正打算啟動(dòng)一個(gè) AI 質(zhì)檢項(xiàng)目我的建議是先從一條線、一個(gè)工位、一類核心缺陷做起不要貪大求全。把第一個(gè)項(xiàng)目做成“樣板間”積累數(shù)據(jù)、摸清流程、培養(yǎng)人才再逐步復(fù)制到其他產(chǎn)線。等你在第一條線上跑通了循環(huán)剩下的就是復(fù)制粘貼和執(zhí)行標(biāo)準(zhǔn)化的問(wèn)題了。根據(jù)我個(gè)人的經(jīng)驗(yàn)未來(lái)兩年制造業(yè) AI 質(zhì)檢的機(jī)會(huì)窗口還會(huì)繼續(xù)打開(kāi)但它不會(huì)再是“概念熱”的階段了——真正留下來(lái)的一定是那些把每個(gè)步驟都做實(shí)、每個(gè)數(shù)據(jù)都較真的團(tuán)隊(duì)。希望你讀完這篇指南能少走一些我走過(guò)的彎路這也是我把它寫出來(lái)的最大意義。