去年在华南一家电子厂，我跟产线经理老周蹲在回流焊后面抽烟。他指着正在调试的AOI设备说：“这套东西号称用了人工智能，上个月误报率差点把产线逼疯，现在好一点，但操作工还是天天骂。” 我没接话。因为类似的话，这几年听太多。说实话，人工智能进了车间，不是搞一场魔术秀——它更像一个偏科的天才，你得摸清楚它的脾气。

从‘人眼疲劳’到‘机器不眨眼’，但是……

视觉检测这活儿，人干久了真的会出事。我年轻时在一家连接器厂待过，每天看几千个端子压接，后来看白色墙都像有毛刺。现在的深度学习缺陷检测，确实把那部分重复性劳动解放出来了。✅ 它能24小时盯着同一个位置，不像人，到凌晨三点就开始漏检。

不过话说回来——我参与过一个轴承外观项目，团队用ResNet加注意力机制，实验室准确率99.5%，一上线掉到92%。为什么？因为车间的灯光，比实验室脏十倍。振动还会让相机悄悄偏移。这些小事，你不在现场蹲半个月根本发现不了。❗ 于是操作工又默默拿起了放大镜。

工业AI质检相机被油污污染现场情况

而且，人工智能在工业里，最怕“没见过的东西”。注塑件偶尔出来一种新模具纹，图像分类模型直接傻掉，把正常品标成缺陷。老师傅瞄一眼就知道：“哦，模具抛光了，参数没调。” 这种跨模态的常识，算法暂时还没有。不是它笨，是数据里根本就没出现过。

落地时那些让人崩溃的坑

很多人觉得，买台带AI的检测设备，插电就能用。天真。我经手过的失败案例，一半以上死在了数据准备上。你想训练一个表面缺陷分割模型？先得拍几万张缺陷图吧？可实际生产中，良品率早就飙到98%以上，缺陷样本稀缺得可怜。于是你加了数据增强——旋转、裁切、加噪声——然后模型学到的，全是增强出来的伪纹理，一上线就误报。💡 行业内有种做法叫“合成缺陷”，用渲染工具把划痕、异物贴到良品图上。能用，但前提是你得懂真实缺陷的物理形态，不是随便PS一下。

另一个爆炸的点，是标注。外包团队标出来的数据，经常不忍直视。到底“轻微划伤”界定到哪一级？“压伤”和“碰伤”能不能分清楚？这些问题不统一，算法工程师跑再高的指标也是自嗨。我见过一个螺丝检测项目，光是重新校准标注逻辑就耗了两个月。这时候你会怀念老式的模板匹配——起码它逻辑透明，不会给你 surprise。

工业AI检测数据标注界面与缺陷分类争议

不是替代，而是把人的判断力往上挪

不是替代，而是把人的判断力往上挪

问：AI质检真能替代老师傅吗？

答：完全替代？现阶段基本没戏。但有个变化很明显：以前老师傅靠肉眼挑缺陷，现在他们更多是在复判屏幕上快速点击“通过/不通过”。基数大的零件，机器先筛一遍，人会省力。更重要的，工业大数据积累到一定程度，老师傅的经验可以转化成规则——比如，他们发现某个工位出缺陷总在换班后，可能跟模具温度有关。这时候AI没有直接判断，但提供了趋势线索。这种辅助决策的价值，比纯粹代替人大多了。

问：想上AI质检，要准备多少钱？

答：看你的目标和技术路线。买个带边缘计算的智能相机，单台可能三四万，配个简单模型，适合单一缺陷。但如果你要做整线闭环，比如把注塑机的工艺参数、模具寿命、检测结果打通，那软硬件加实施，没个几十万下不来。还有隐性成本：数据管理、模型升级维护、一年后因为工艺变更需要重新标注……这些不清不楚的支出，比硬件贵多了。所以我的习惯是先做概念验证，拿一小批数据看看模型上限，再决定投不投钱。

还有一些想吐槽的——现在各种峰会、白皮书，动不动就提“数字孪生”“工业元宇宙”跟人工智能结合。概念没错，但离中小型工厂太远。很多老板被忽悠，以为上一套系统就能解决所有质量问题，结果账面亏损不说，团队还被折腾得人心涣散。哎，工业这行，得一步一步走。✅ 先把缺陷检测的稳定性和重复性做扎实，再谈智能。

2025年，我们看到的一些真变化

2025年，我们看到的一些真变化

最近和一帮搞视觉的朋友聊，发现几个趋势挺实在。第一，小样本学习真的开始落地了，不像前两年只在论文里秀。现在有框架能只靠几十张缺陷图，就达到基本可用的效果，尤其适合多品种小批量产线。第二，可解释性AI在质检里被逼出来了。操作工不再容忍黑盒，要求热力图标注出“你凭什么说是缺陷”，否则不信任。这种透明性倒逼算法进步。第三，云边协同——云端做训练，边缘端做推理，但是推理模型现在能压缩到20MB以下，直接跑在工控机上，延迟降到毫秒级。这些不是噱头，是我亲眼看到在工厂跑通的东西。

但是，依然有很多人用错了力。把人工智能当成信仰，觉得数据喂进去，良率就自动上升。其实真正提升良率的，是工艺改进。AI只是把问题显影出来。你用它发现了一批裂纹，然后呢？得有人去调注塑压力、改退火曲线。最后解决问题的，还是懂工艺的工程师，不是神经网络。明白了这点，你会少花很多冤枉钱。

最后说句得罪人的：如果你家产线本来良率就高得离谱，也没多少数据，那真的用不着强行上AI。人眼加常规传感器足够了。反过来，如果缺陷种类多、发生频率低却影响安全（比如汽车零部件），那人工智能确实是个好工具，但得上心经营数据。就像养个猫——你得喂对东西，它才会给你抓老鼠。