制造业的视觉质检是 AI 落地最实在的场景之一:缺陷检测、尺寸测量、字符识别,需求明确、标准可量化、投入产出能算清。但真正做进去的工厂不多,难点不在模型,而在产线。
落地难点到底在哪?
四个。第一,样本不足且不均衡,良品成千上万,缺陷样本只有几十张,模型学不到足够的异常形态;第二,光照与工位差异,同一个缺陷在不同角度、不同光源下表现不同,换个工位就得重新调;第三,节拍要求,产线每秒出几个件,检测必须在毫秒级完成;第四,判定标准模糊,什么样算划痕、多长算超差,往往靠老师傅的经验。
样本问题怎么解决?
三条路。第一,用合成数据补充,通过旋转、缩放、加噪、光照变换生成更多缺陷样本,但要注意合成数据与真实分布不能差太远;第二,用无监督或半监督方法,只学好品分布,异常偏离就报警,适合缺陷形态不固定的场景;第三,先做「辅助判定」,模型给出可疑区域,由人确认,用确认结果反哺样本库。三条里,第三条最适合起步。
节拍和部署怎么解决?
三个做法。第一,模型裁剪与量化,把大模型压到能在边缘设备上跑;第二,把检测放在关键工位而不是全工位,先解决瓶颈;第三,用规则加模型组合,简单判定用规则,复杂判定用模型,减少推理压力。
怎么和产线的人配合?
三件事。第一,让质检员参与标注与判定标准制定,他们最懂缺陷;第二,把模型的输出做成他们习惯的形式,比如在原有界面上叠加框和等级,而不是另开一个系统;第三,设定人工复核比例,前期高一点,稳定后逐步降低。三件事里,第一件决定项目能不能被接受。
怎么算这笔投入值不值?
按「漏检损失」和「人工成本」两头算。漏检一件的损失包括返工、退货、品牌影响;人工质检的成本包括人数、培训、流动。两边加起来,和系统投入对比,算出回收期。算不清的时候,先在一个工位做小规模验证,拿到真实漏检率再谈扩展。
去论坛讨论
前往 ziyuanagi.com 论坛 参与讨论