机器学习质量检测：我们真的准备好抛弃老师傅了吗？

我上个月去一家轴承厂，生产线旁边竖了个大屏幕，实时跳动各种数字。厂长得意地说：“看，我们的AI质检系统，能发现头发丝十分之一的裂纹。” 我凑近看了看，正好一个零件过去，系统报警了，工人拿下来一看，啥也没发现。虚惊一场。说实话，这种场景见得太多了。机器学习质量检测，听起来高大上，落地的时候全是坑。

从人工目检到AI：一场无声的革命

以前质检靠人眼。老师傅一摸一个准，新手盯一天就花眼。但人总会疲劳，情绪、光线、心情都影响判断。十年前我们开始推视觉检测，用传统图像处理——阈值分割、边缘检测那一套。稳是稳，但换一个产品就得重新调参，工程师调到崩溃。然后深度学习来了。

2015年之后，卷积神经网络在ImageNet上大放异彩，工业界立刻嗅到了味道。我们现在做的，就是用CNN直接训练缺陷分类器。给机器看成千上万张良品和不良品的图像，它自己学特征。不用你教它什么是划痕什么是毛刺。它自己会发现。有一回我们训练一个检测芯片引脚缺失的模型，居然连引脚轻微氧化造成的颜色差异都学会了——这个特征连工程师都没注意到。❗惊喜！但也埋下隐患，后面会说。

不过话说回来，实验室和产线是两回事。训练集里光照完美，实际车间灯管忽明忽暗，传送带抖动，零件姿态千奇百怪。部署的时候发现准确率掉得厉害。所以现在流行在线学习：系统边检测边标注一些不确定的样本，让人复核后加入训练集，模型每周更新。这招在汽车零部件厂挺管用，但需要IT、质量、生产三方协作，扯皮的事不少。

算法不骗人，但数据会

做过工业项目的人都知道，最脏最累的活是什么？不是调参，是标注数据！你想想，要构建一个缺陷检测模型，得有大量样本。良品好说，满仓都是。不良品呢？工厂里缺陷率可能只有千分之一，收集几百个不良品要等半年。而且标注得准不准？划痕和划伤有什么区别？质检员之间标准都不统一。我们不得不搞个“标注仲裁会”，让三个老师傅投票决定。有一次为一个疑似裂纹争了半小时，最后放大镜一看，是根头发丝。🕵️‍♂️

数据不平衡也是老大难。有些罕见缺陷几年才出现一次，但一旦漏检就是事故。用常规训练，模型根本学不到。办法是有——用GAN生成缺陷样本，或者做数据增强。但生成的假图和真实缺陷总有差距。❗我最怕客户拿生成的数据当圣旨，说“你们看，这模型在生成数据上99%！” 真正的检验永远在真实产线。

还有个深坑：数据漂移。产线上换了供应商，原材料表面纹理变了，模型不认识，疯狂误报。操作工嫌烦，直接关掉报警声。你都不知道。直到客户投诉，才发现模型早就形同虚设。所以现在必须做模型监控，监控它的置信度分布、报出率。一旦偏移，自动触发再训练。这才算闭环。

QA：机器学习的锅，谁来背？

问：质检用了AI，是不是就不需要人了？

答：想得美。现在能做到的是“人机协同”。AI负责过滤90%以上的明显好料和坏料，剩下那些模棱两可的——比如边界模糊的缺陷、复杂装配体——还得人看。而且人还得负责处理AI误报。我们统计过，一个质检员从全天盯屏幕，变成只需要复核那些“不确定”的图像，劳动强度下降70%，但注意力要求更高了。因为来复核的都是难题。另外，模型维护也需要人。所以不是说不要人，是转岗。原来拧螺丝的现在学点数据分析，工资还能涨点。💼

问：部署一套机器学习质检系统，大概要多久？花多少钱？

答：这问题没法一口价。看场景。简单的单产品、单缺陷，比如一个圆形零件的表面瑕疵，可能3个月，十几万。复杂的就是无底洞。我们做过一个电子线束检测，各种颜色、弯曲、多层缠绕，数据采集就搞了两个月，前后迭代了半年多，成本超百万。还有隐性成本：数据存储、算力、网络改造。很多厂连工控机都跑不动GPU，得换。实施周期里最耗时的其实是产线协调，停机时间都是钱。所以建议想上的工厂，先拿一个成熟品类的单点做pilot，比如先检测轴承端面，跑通了再说。

不要神化AI，它就是个高级工具

这几年，无论是展会上还是PPT里，机器学习质量检测都被包装成了无所不能的“智能”。但实际落地，它更像一个固执的学徒：你教得好，它干得比人快、比人准；数据糊弄，它比最差的工人还离谱。我更愿意把它看作一种加强版的统计过程控制（SPC）。以前我们用控制图看均值极差，现在用神经网络看像素分布。本质上，都是基于数据决策，只是维度更高了。

值得警惕的是“算法黑箱”。老师傅判断一个零件合不合格，能说出“这里过渡不光滑，可能会引起应力集中”。AI只会给个概率0.93。为什么？说不清。这在一些关键安全件上是致命的。所以可解释性AI（XAI）是热点，让模型高亮影响区域，至少能让人复核。不过目前还处于“看起来很美”阶段，实际产线用的不多。

最后，我想泼点冷水。我们总在追求零缺陷，但零缺陷是个哲学概念。机器学习能降低缺陷率，但不能消除。它最大的价值可能不是那一堆眼花缭乱的曲线，而是把老师傅脑子里的隐性知识，变成了可以传承的模型。人走了，经验留下来了。这才是最迷人的地方。✅

好了，先写这么多。下次聊聊3D视觉和机械臂如何结合AI实现柔性装配，那才是真·智能制造。