到底哪里出了问题？——从一次惨痛的产线停摆说起
那天半夜三点接到电话——产线全停了。原因？一批轴瓦表面划痕，肉眼压根看不出来，但装配后异响，客户投诉。老质检员用手摸，用放大镜看，也漏了。说实话，那一刻真是绝望。于是开始琢磨：有没有一种东西，能比人眼更可靠？这就是为什么我最终押注了机器学习质量检测。并不是跟风，是实在被逼到墙角了。
您还别不信，很多工厂现在还靠‘老师傅的感觉’。老张干了二十年，手一摸就知道光洁度够不够。可老师傅会退休啊，他的手感能复制吗？不能。所以，得让算法学会这种手感。不过话说回来，一开始我们搞的那套模型……嗯，简直一塌糊涂。
模型不是银弹：数据才要命
我们最开始雄心勃勃，买了一堆AI相机，装了服务器。结果呢？三个月，误报率高得吓人。一天下来，产线工人关了警报，因为‘狼来了’太多次。❗这事儿让我深刻体会到：没有高质量、标注精准的数据，再牛的算法都是废铁。但标注数据有多痛苦，做过的人都知道。一张图里，缺陷可能就几个像素，要拉框，要分类，是划痕还是灰尘？灰尘不算缺陷，但长得像。团队几个小伙子眼睛都看花了，天天骂娘。
后来我们学乖了，先花两个月磨数据。把所有产品的大类分好，比如铸件、锻件、焊接件。每种缺陷建立样本库。✅然后做数据增强：翻转、加噪、模拟光照变化。这些看似基础的招数，效果惊人。对了，有人问：‘用深度学习自动标注行不行？’ 行，但是需要先有少量精标数据，半监督学习那套，我们试过，能省40%的时间。不过，初始那批数据还是得靠人，要绝对准。
问：刚上机器学习质量检测，最大的坑是什么？
答：千万别一上来就追求全自动。我们的经验是，先做‘人机协同’。让系统把可疑件挑出来，人工复核。这样，质检团队不抗拒，还能持续获得新的标注数据，模型越用越聪明。一口气吃成胖子，系统会被一线工人抵触，最后流产。
从视觉到声音：多模态检测路子野
去年在铸造车间，我们玩了个新花样。铸件内部气孔，用X光检测太贵，效率低。我偶然看到一篇论文说用敲击声来识别缺陷。💡对啊！老祖宗敲西瓜挑熟的，一个道理。于是我们搞了个麦克风阵列，固定敲击装置，采集声音波形，训练CNN模型。现在你猜怎么着？缺陷识别的准确率达到97%，比熟练工还稳。而且速度快，产线上挨个敲，零点几秒出结果。这个案例让我认识到，机器学习质量检测绝不仅仅是摄像头那点事，振动、温度、声音，都能挖出宝。
问：小批量、多品种生产，怎么玩转机器学习检测？
答：这是最难搞的场景。我们用了迁移学习。拿在公开数据集预训练的模型，到自家产品上微调。往往只需要几百张缺陷样本就能搞定，而不是几万张。还有个技巧，用生成对抗网络（GAN）生成缺陷样本，扩充数据。说实话效果有波动，但总比没有强。另外，模型架构要轻量，边缘计算盒子就能跑，换线的时候，一键切换模型，半小时内搞定。
不过话说回来，不是所有工序都适合AI。有些位置，传统传感器加规则判断反而更可靠。千万别为了智能化而智能化。
部署后的惊喜与叹息
有个事情很微妙。上线半年后，我们发现缺陷率曲线在下降。一开始以为模型把严了，后来才明白：因为检测稳定了，前道工艺的人知道瞒不过AI，被迫提升了精度。这个隐藏收益，远比检出率提升更有价值。但也有叹息——维护成本不低。光照变化、产线微调，模型就会漂移。我们建了一个在线监控系统，一旦置信度偏离，自动告警，再启动重训练。这玩意必须有人盯着，全自动就是个幻想。
最后说个体会。搞机器学习质量检测，技术只占三成，剩下七成是管理变革。让质检员转型为‘数据标注员’或者‘AI训练师’，他们的经验转录成数据资产，这种转型痛苦但值得。我见过一个老质检，从抵触到后来主动提特征建议，因为他发现机器能把他没看出来的缺陷揪出来，他乐得清闲，反而去研究更复杂的工艺问题。这事儿，挺有意思。
还有一点，模型部署的位置也有讲究。有人把边缘计算盒子放在产线旁边，结果震动、粉尘弄得经常死机。后来我们把计算单元集中在控制室，长距离高速相机线缆，稳定多了。至于模型选型，我们试过YOLOv5、EfficientDet，最终在检测速度和精度之间选了YOLOv8，用TensorRT优化，单张推理3毫秒，爽。不过，算下来硬件投入不菲，一套像样的系统，相机、光源、工控机、软件授权，小几十万就出去了。值不值？看你怎么算账。如果算上客诉赔偿、返工成本，半年回本。老板看到数字后，眼睛都亮了。
免责声明：文章内容来自互联网，本站仅作为分享，不对其真实性负责，如有侵权等情况，请与本站联系删除。
转载请注明出处：机器学习质量检测：我踩过的坑和实战真经 https://www.dachanpin.com/a/tg/62057.html
