机器学习质量检测：别再吹嘘“无人工厂”了，先把缺陷漏检率打下来再说

去年去一个汽配厂，他们产线上的视觉检测系统又报警了。对，又是误报。那套花了小两百万的“AI智能检测”设备，落地半年，操作工从好奇到无奈，现在直接把报警关了——因为半小时报一次，停线处理，效率还不如人工目检。这就是现实，对吧？ 机器学习质量检测，这词儿在工业圈热了至少有五年。从学术顶会到行业展会，但凡沾点“智能制造”的边，不提深度学习好像就落伍了。但说实话，真正跑在产线上、稳定替换掉人工的有几个？我跑过上百个工厂，见过太多“演示成功、上线趴窝”的案例。今天不聊虚的，就掏心窝子讲讲里面的坑和路。

为什么90%的ML质检项目死在POC阶段？

POC，概念验证。听起来很高级，其实就是在一个稳定环境里跑几个已知缺陷，演示给领导看。那个场景，完美得不像话：光线恒定、工件干净、缺陷典型。模型准确率99.5%！领导当场拍板。然后呢？搬到产线，第一天就崩了。 环境变了呀。现实的车间，上午阳光从窗户斜射，下午靠日光灯混着反射；工件带着切削液反光；来料批次一换，表面纹理就不同。模型在POC学到的特征突然失效了。这就叫模型泛化能力不足，也是机器学习质量检测落地最常翻车的地方。而且工业缺陷天然是“非均衡”的，正常品跟山一样多，缺陷品跟针一样少。你怎么训？采样？GAN生成？都试过，经常生成出来的缺陷连老师傅都看不懂——四不像。 更头疼的是，缺陷的标准人都会变。今天质检主管说这个划痕可以放，明天客户投诉又说不可以。规则动态调整，但模型是固化的。你改一次标定？重新标注、训练、部署，流程走完半个月。产线等不起。 问：那是不是说对于多品种小批量的产线，ML质检根本用不了？ 答：也不能一棍子打死。多品种小批量确实更难，因为数据更少，换型频繁。但现在有少样本学习（few-shot）的路子，只要新品类有几个正确标注的样本，就能快速适配。不过，这要求平台本身够灵活。我们现场试过一种方法：先在一个基础大模型上用上千种缺陷预训练，然后针对具体产品做微调。换型时只拍几十张正常品，让模型学会“什么是正常”，缺陷就作为异常检测。这种思路在连接器、紧固件行业开始有不错的效果。但别期待一键搞定，调试工程师还得蹲守几天。

数据标注：那个没人愿意提的深坑

行业里讲算法讲得天花乱坠，但没人爱提数据标注的成本。一个复杂的金属铸造件，表面缺陷可能有缩孔、裂纹、夹杂、冷隔……每种还得细分严重程度。标注一张图像，熟练工要花几分钟，一个项目几十万张图。谁标？外包给数据公司？他们根本不熟悉工业语境，标出来的框经常框错地方。让质检员标？人家本职是看货，哪有时间。而且工业数据还有强保密性，不能外发。

我们吃过亏。一个轴承外观检测项目，外包标注回来发现，他们竟把加工纹理当成了“线性缺陷”，一批数据全废。后来只能自建标注团队，并结合半监督学习，只标一小部分，剩余靠模型自己聚类找疑似缺陷再让人确认。这倒是个法子，就是初期工作量大。所以，谁要跟你说“我们AI零代码免标注”，你直接拉黑——那是玩具，不是工业。 问：现在不是有自动标注技术吗？怎么还得人工？ 答：自动标注听起来美好，比如用预训练大模型自动分割缺陷，或者用合成数据生成缺陷。但现实是，自动标注结果必须人工校验。工业质量容错率极低，漏检一个缺陷可能客户投诉索赔，误检太多整条线就停了。所以自动标注更多是预标注，把人从一张白纸画框变成修改调整，能提效50%不错了。完全无人的自动标注，在要求严谨的工业场景，至少目前不现实。而且自动标注模型本身也要用高质量标注数据训练，这是个蛋生鸡问题。

边缘端部署，不只是一块计算卡的事

算力现在不是大问题。Jetson、边缘工控机甚至用FPGA加速，都能跑起来模型。但真正的痛在于：模型轻量化与检测精度的平衡。产线节拍以秒甚至毫秒计。一个刹车盘，从拍照到判完，可能允许不到0.3秒。你模型再准，推理慢也白搭。剪枝、量化、知识蒸馏，手法用尽，经常会在小缺陷上掉点。我们上一个项目，量化后对一些细如发丝的裂纹识别率直接从95%跌到82%，完全不能忍。

还要跟PLC、机械手联动。检出缺陷要踢料，信号对不上时序，机器夹错料。看似软件的事，其实考验对工业总线协议的理解。Modbus TCP、PROFINET，不懂这些，模型再牛，也只是个DEMO。我特别感触的一点是，工厂里真正能把IT和OT融在一起的人才太缺了。做算法的看不起搞自动化的，搞自动化的觉得搞IT的太虚，项目就在这种相互轻视中挂掉。 最后说点主观的。我亲眼见过一家本土视觉公司，死磕一个螺钉外观检测，三年了还在优化模型。市场部天天说“我们用了最先进的深度学习”，但产线认可的是——你帮我省了几个人？少了几次停线？那些炫酷的3D点云、多光谱融合，如果不能折合成报表上的OEE提升，一分钱不值。所以，别被“黑灯工厂”、“无人化”的大词忽悠。踏踏实实把机器学习质量检测当成一个持续过程，而不是一个买来就能用的工具。前期需要大量工艺理解、数据积累和现场死磕。如果你正准备上这类项目，建议先从最脏最累的标注和特征分析做起，而不是先选算法。算法都开源了，不值钱，值钱的是你对特定场景缺陷的认知。 这才是工业，对吧。零碎又务实。 好了，就这样散扯了一通，估计有人觉得太负面。但正面的事都在展会和宣传稿里，不需要我多说。真正能用的ML视觉检测，在3C电子、汽车总成、医药包装等少数高价值、标准化较高的细分已经站稳了。其他行业，路还远。 问：对于资金和人才都有限的中小工厂，怎么起步？ 答：别一上来就追深度学习。很多场景用传统图像处理+机器学习（如决策树、SVM）结合就能解决，而且解释性强、稳定。例如用特征提取算面积、圆度，再加个分类器，对于定位明确的缺陷很有效。先数字化，把数据存下来，积累标注库。同时可以租用云平台上的AI训练服务尝试，不要急着采购昂贵设备。另外，找那些能陪你改模型的供应商，而不是卖完就跑的。中小工厂很适合用“异常检测”思路，只学正常样本，发现偏离就报警，降低对缺陷样本数量的依赖。这条路见效快些。