上个月去珠三角跑了三家做汽车冲压件的工厂，每家老板聊下来，吐槽的点几乎一模一样。 人工贵。漏检多。错检还要挨下游骂。 原来一个检测工位要放三四个熟手质检员，一个人一年工资七八万，一条线开下来，光是检测成本一年几十万。就这，还挡不住偶尔出几批漏检货，一次罚款就顶得上半个月利润。 这两年越来越多工厂开始试机器学习做缺陷检测，但我听下来，一半以上的项目要么效果达不到预期，要么干脆上线后没人用放着落灰。

为什么工业级机器学习缺陷检测，比互联网项目难十倍？

互联网公司做图像识别，数据都是标准化的，背景干净，目标统一，想要多少样本就能爬多少样本。 工业场景完全不一样。 你做冲压件，工件本身有公差，车间光照天天变，有时候工人手上带的油污蹭上去，都能被误判成缺陷。更麻烦的是缺陷样本少，一条生产线开三年，可能出不了几百个严重缺陷，没有样本怎么训模型？ 离散制造业冲压件表面缺陷检测实景图 问：我们厂现在也想上机器学习缺陷检测，是不是先攒够十万张样本才能开搞？ 答：根本没必要。现在工业机器学习早就用小样本学习、迁移学习了，找几百张合格样本加几十张缺陷样本，就能训出能用的模型。我见过东莞一家做连接器的工厂，只用120张缺陷样本，模型准确率就干到了99.2%，比四个老质检员的漏检率还低一半。 很多人觉得机器学习是高高在上的黑科技，说白了就是帮你干重复枯燥的活，比人干得稳而已。

落地工业场景的机器学习，最容易踩的三个坑

落地工业场景的机器学习，最容易踩的三个坑 ❗ 坑一：上来就追求100%准确率 很多工厂老板上来就说，我要百分百不漏检，不然不能用。说实话，人工都做不到百分百，你逼模型干嘛？真要硬调，反而会把大量合格工件误判成不合格，硬生生浪费产能，亏到心疼。合理的要求是，重大缺陷零漏检，轻微缺陷允许1%以内的误判，这就够了，已经把人工甩出去八条街。 ❗ 坑二：把AI模型当成万能钥匙，不改造现有流程 我见过一家汽配厂，花了大几十万上了机器学习检测系统，结果还是要人工复筛全检，为什么？他们把模型输出的结果直接堆给工人，原来的排班、检验流程一点没改，工人反而多了一层活，最后大家都嫌麻烦，还是按老方法来，新系统就放那落灰。 💡 坑三：不考虑模型迭代 工厂的产品会更新，原材料供应商会换，设备用久了会磨损，缺陷的形态跟着就变了。很多模型上线半年，准确率就掉了十个点，就是因为没人管迭代。现在成熟的方案都会留简单的标注接口，工人只需要把错判的几个点标一下，模型每个月自己更一次，就能一直保持不错的准确率。 问：中小型制造企业上机器学习，预算一般要多少？会不会动不动上百万？ 答：真不用。现在很多做工业AI的服务商都是按项目收费，中小型生产线二三十万就能落地，还能谈分期付款，按节省的人工成本分个两三年付，很多工厂第一年就能回本。要是你只是先试一条线，十来万也能搞定。哦对，现在还有SaaS化的方案，按年付费，门槛更低了。说实话，比养两个资深质检员一年的工资还便宜。 不过话说回来，再便宜的项目，踩了坑也是浪费钱，选服务商的时候，一定要找做过同品类产品案例的，别找那种只会吹概念的。

2024年最新的落地实践分享

上个月跟进的江苏一家做新能源电池外壳的工厂，原来的情况我至今印象很深：每条线要6个质检员，24小时倒班，每个月工资开掉二十多万，漏检率还在3%左右，经常被下游车企罚款，一次罚款就三五万，一年下来罚个几十万是常事。 他们去年年底上了基于机器学习的表面缺陷检测系统，改造的时候只在原来的检测工位加装了高清摄像头和算法盒子，总共停线不到两天，完全没耽误生产。现在每条线只留1个工人做复筛，漏检率降到0.2%以下，一年下来省的工资加罚款，差不多两百万，去掉项目投入八十万，第一年净赚一百多万。 新能源电池外壳机器学习缺陷检测生产线图 这不是个例，今年我跑下来，珠三角长三角已经有大把中小工厂靠这个降了本提了效。很多人说机器学习是大厂玩的东西，中小工厂玩不起，这话放在五年前对，放在现在真不对了。 现在的方案早就打磨得很适配中小工厂的需求了，门槛低，回本快，只要你有检测工位的人工痛点，就能试。 别听那些服务商吹什么通用大模型，什么一键搞定所有产品，都是瞎扯。工业场景就是得一个项目一个项目调，适配你的生产线，适配你的产品，能帮你省钱赚钱的，就是好的机器学习方案。