首页/资源中心/ 白皮书/ 制造业 AI 视觉质检白皮书
白皮书

制造业 AI 视觉质检白皮书

汉水信息 · 2026-11-16

人工目检漏检率高、判定标准不一,是制造业质检的百年难题。本白皮书系统梳理 AI 视觉质检的技术路线、落地五阶段、缺陷样本难题的解法与 ROI 测算,附行业真实案例的量化效果。


质检为什么是制造业 AI 的第一场景

产线质检长期依赖人工目检:高速运行的生产线、长时间目视作业,微小缺陷极易漏检,且判定标准因人而异、质量波动大。各地工信部门公布的「人工智能+制造」典型案例中,视觉质检始终是入选量最大的品类——这并非巧合,而是三个条件的天然组合:缺陷判定有客观标准(可标注、可评测)、检测环节重复度极高(省人效果直观)、产线自带摄像头条件(数据获取成本低)。

行业里已公开的量化效果可以给出量级感:板面瑕疵检测准确率可达 99% 以上(对比人工漏检率的成倍改善)、相关企业智改后人工成本降低五到六成、检测节拍从「秒级人眼」提升到「毫级相机」。本白皮书把这些效果背后的工程方法讲清楚。

技术路线:三类缺陷,三套打法

视觉质检按缺陷数据的可得性分三档,打法完全不同。第一档:缺陷样本充足的场景(外观划痕、装配错漏——产线跑得久、次品库充足):直接上有监督检测模型,开源检测框架加行业微调即达标线,准确率天花板高。第二档:缺陷样本稀少的场景(新产线、小批量、高价值工件,缺陷样本可能只有几十张):小样本方法登场——迁移学习(通用检测器加少量样本微调)、异常检测路线(只学正常样本,偏移即异常,零缺陷样本可用)、数据增强与合成缺陷(生成式方法扩充样本)。第二档是行业主流难点,也是方案商能力差异所在。第三档:规则可描述的缺陷(尺寸超差、缺件——几何特征明确):传统机器视觉加规则判定比深度学习更稳,别为了 AI 而 AI。多数产线是三档混合,架构上按检测工位分流。

落地五阶段:从选工位到进产线

阶段一:工位选择。标准三条:节拍瓶颈明显(人工检测限速)、缺陷有客观判定依据(有检验规程可循)、图像可采集(现有相机或可加装)。避开两类工位:柔性多品种混线过频(换型成本高)、判定依赖「手感听感」的环节(视觉方案不适用)。阶段二:数据与标注。采集方案(光源、角度、遮挡)对效果的影响大于算法本身——这是视觉项目的隐藏工程量大头。标注规程与质检标准对齐(什么算缺陷、临界怎么判),标注一致性抽检。阶段三:模型与边缘部署。按产线节拍选部署形态:毫秒级要求用边缘盒子(产线侧推理),秒级可用产线服务器。阶段四:人机协同试运行。AI 判定与人工并行双检一到两个月:对比分歧样本、调整判定阈值(漏检与误杀的平衡点由业务定)、建立漏检率与误判率的试运行报表。阶段五:验收与移交。按约定指标验收(一般要求缺陷检出率高于人工基线、误杀率低于约定阈值,两者是跷跷板要一起定),移交内容包括模型、数据管线、再训练流程。

两个核心难题的工程解法

难题一:缺陷样本的天平——漏检与误杀。漏检(缺陷流出)造成客户索赔,误杀(良品判废)造成产能浪费,两者由判定阈值直接控制。上线时的定阈原则:初期宁紧勿松(高召回),随误杀数据积累逐步回调;每个阈值档位要有双周复盘。更要紧的是把临界样本制度化——分歧样本集中复判、结论回流训练集,模型随产线共同进化。难题二:产线漂移。换批次原料、灯光老化、镜头磨损,三个月后模型效果悄悄衰减(「静默漂移」——最难发现的是它)。解法:效果监控常态化(每日抽检对比)、数据版本与模型版本对应(衰减可回溯)、再训练机制固化(季度例行加触发式)。

ROI 测算模板

制造业账最好算也最该算细。收益侧四项:质检人力节约(释放工时 × 转化率)、漏检损失下降(历史流出率 × 单次索赔成本 × 降幅)、误杀改善(误杀率下降 × 单件成本)、节拍提升的产能增量(瓶颈工位时效提升带来的产出)。成本侧四项:硬件(相机、光源、边缘算力——常占初期投入一半)、开发与集成、标注与数据治理、持续运维(效果监控加再训练,年化按开发成本的三成估)。多数产线场景的回本周期在八到十八个月,单点改造快于整线改造。汇报口径见《AI 项目 ROI 测算方法论》,对照实验数据(同批次人工与 AI 双检)是最有说服力的验收证据。

常见失败模式四条

失败一:把 demo 指标当验收指标。离线测试集 99%,产线真实光照与油污下两说。验收必须用线上双检数据。失败二:换型即废。单品种产线训练的模型遇到新料号失效。立项时把多品种支持写进需求,预留换型再训练成本。失败三:质检员的对立。AI 以「取代者」姿态上线,一线配合度极低,分歧样本无人反馈。正解是定位为「质检员的仪器」——AI 初筛、人工复判临界,减负不减岗。失败四:只买不养。视觉模型不是买断的设备而是要养的资产,运维不进预算的项目会在第二年效果衰减时被质疑「AI 不行」。

与生成式 AI 的结合点

传统视觉质检(判别式)之外,生成式大模型正在进入质检的周边环节:检测报告自动生成(结构化结果转叙述性报告)、缺陷知识问答(检验规程、历史案例的智能检索)、辅助标注(多模态模型预标注降人工量)。趋势判断:判别式检测仍是产线核心(确定性要求),生成式负责质检的「文案与知识」环节,两者边界清晰。企业规划时把这两类能力分开立项,别被「大模型质检」的营销话术混为一谈。

本白皮书基于公开行业案例与我们服务的制造项目实践整理,案例数据引自各地工信部门发布与媒体公开报道。相关阅读:《从 PoC 到生产线:十六个坑》的通用生产化清单同样适用于视觉项目。

相关内容

先聊聊你的场景,再谈方案

1 个工作日内响应,初次咨询不收费

预约咨询 免费 AI 自评