前几天去一个轴承厂，看到他们的AI质检线，说实话，有点意思——但也挺多槽点。

那条线跑的是汽车轮毂轴承，人工目检干了十几年，老师傅眼睛都花了。现在换成深度学习模型，一秒能看几十个。但！漏检率还是高，尤其内圈微裂纹，模型总把油渍当缺陷……

轴承表面缺陷AI视觉检测系统实拍

他们厂长挠头：『不是说人工智能万能吗？』

我差点笑出来。搞工业的都懂——哪有万能药。当年我入行，第一次部署视觉检测，也是被数据标注坑惨了。

数据标注的疼，只有自己知道

数据标注的疼，只有自己知道

那是2019年，给一家冲压件厂做外观检测。客户给的缺陷样本——总共200张，其中170张都是『合格品』。模型学完，把所有东西都判合格。数据不平衡害死人。

后来我们自己去产线蹲了三天，收集了几千张真实缺陷：拉伤、缩孔、起皱……但是！标注工程师批注一张要五分钟，一天只能标两三百张。成本！时间！那会儿团队就三个人，一个算法,两个标注，熬到凌晨三点是常事。

💡 现在学乖了，先跑小样本学习，再用自动标注工具预标注，人工只做复核。不过话说回来，有些特殊纹理——比如精铸件表面的龟裂，AI自动标注还是瞎。

问：工业AI质检，数据标注到底有多重要？

答：比模型架构重要十倍。你拿个ResNet，调参再牛，喂一堆脏数据，出来的就是个瞎子。反过来，数据质量高，哪怕用传统机器学习，也能打。我试过用逻辑回归检测焊点缺陷，标注精细，准确率95%。而乱标的数据，YOLOv5也救不了。记住：工业场景里，数据为王，算法只是将军。

边缘计算才是落地关键

很多人觉得云AI高大上，但在车间，网络延迟能杀人。一次在注塑厂，质检工位要求200ms内反馈。云端？来回传输就超过500ms，模具都合模了，检测结果还没到。

我们用Jetson Nano，本地推理。一个模型压缩到30MB，加载到设备里，15ms完成一次检测。那种爽感！

边缘计算设备在工业AI质检现场部署

但问题又来了——硬件环境恶劣，粉尘、震动、高温。普通消费级板卡，命不长。后来换成工业级边缘网关，带防水防尘，贵是贵了五倍，但三个月没停机。然后呢？散热！夏天车间40多度，不加风扇根本跑不动。

所以啊，搞AI不光是软件活儿，机械、电气都得懂点。

问：小企业上AI质检，有没有低成本路径？

答：可以先租用云端API，比如某云的工业质检平台，按调用量付费。但长期来说，数据安全和延迟还是问题。建议关键工位部署边缘盒子，一两万就能起步。另外，别一上来就上深度学习。先用传统视觉——边缘检测、模板匹配，解决80%的问题，剩下的20%再用AI补充。我们给一家螺丝厂做过，只用了形状匹配，就把混料检测效率提到98%，投入才三千块。

模型漂移——幽灵一般的存在

模型漂移——幽灵一般的存在

去年最让我崩渍的案例：一个金属件表面检测模型，上线三个月准确率从99%掉到82%。排查两星期——发现是上游供应商换了切削液，导致零件表面反光特性变了！

这在制造业太常见了。原料批次不同、照明老化、机台磨损……模型漂移是持久战。现在我们在每台相机旁加了一个灰阶校准板，每八小时自动校准光照。另外，持续收集新数据，每周末自动化重训。没有一劳永逸的模型，只有不断进化的系统。

还有一次，客户换了个键盘，导致检测软件快捷键冲突，误判率暴增……这奇葩问题，教科书上不会有。

所以，我经常跟团队说：别太迷信算法，贴近产线，贴近老师傅，才是真理。

最后，分享一个惊喜。最近我们试了Transformer在缺陷分割上的效果，比U-Net强不少，尤其对不规则裂纹。但——算力要求高，边缘侧还得等下一代芯片。哦对了，还有个梗：搞AI的上辈子都是欠了数据的债，这辈子来还标注的。

好了，不扯了。再多说几句，有人该说我贩卖焦虑了。其实AI在工业，刚过幻灭期，正慢慢走向实用。能解决问题，但不是魔术。