机器学习质量检测:从“人工瞪眼”到“AI鹰眼”的真实实录

干了快十年质检,我什么妖孽没见过。

裂纹藏在倒角里,划痕比头发丝还细,镀层厚了0.1丝——全靠人眼瞪。三班倒的质检员,眼神发直,对光转一圈,手摸一摸,三秒一个件。漏检?家常便饭。有一回客户退货,拆开一看,内壁有个小鼓包,肉眼根本看不见,超声探伤都够呛。赔了二百来万。老板拍桌子骂,质管部集体写检讨。那时候哪敢想,现在摄像头一扫,算法一算,0.2秒出结果,还把那个鼓包缺陷学得门儿清。说实话,机器学习质量检测真上场的时候,老同志们都懵了。

先别急着吹。这里面坑多着呢。

机器视觉+深度学习,已经不是噱头了

我们公司去年上的这条线,说起来简单:工业相机架在传送带上,环形光源打亮工件,触发拍照,图像传到工控机,一个卷积神经网络(CNN)模型跑推理,然后气嘴把次品吹到筐里。核心是那该死的模型——用了几千张缺陷样张练出来的。最开始用的开源YOLOv5,勉勉强强。后来换了YOLOv8,配合自研的注意力模块,在划痕类缺陷上召回率飙到98.7%。但记住,这不是拿来就能用的。 光照变一点、换批原材料表面纹理不同、甚至车间粉尘多了,模型马上摆烂。我们折腾了四个月,光标注就干了上万人头次。

工业场景和刷榜的ImageNet,两码事。你拿手机拍猫狗的照片能比吗?产线上工件跑偏半毫米,边缘模糊得一团糟,还得实时处理,每秒30帧。算力呢?只有一块边缘计算盒子,连RTX 4090都比不上。所以算法得做剪枝、量化,模型尺寸压到几兆字节,推理延时卡在15毫秒以内。用TensorRT部署,再用DeepStream串流水,才算稳住。说实话,第一次看到次品一棵不落全被吹进废料箱的时候,我眼泪都快下来了——那些被退货的噩梦,可算是醒了。

工业流水线上相机自动检测金属零件表面缺陷
工业流水线上相机自动检测金属零件表面缺陷

但别以为买套设备就完事。没有懂行的人调参,机器就是一堆废铁。

模型训练那点玄学——数据比算法更重要

搞算法的博士们最爱谈架构:Transformer、ConvNeXt、DETR…… 可一到产线,数据才是亲爹。缺陷样本根本不够。正常件一天产上万个,次品?有时候一天就出五六个。而且缺陷形态千奇百怪,样本极度不均衡。我们试过用GAN生成缺陷,结果模型把生成的伪影当真缺陷了,误报率冲上20%,产线狂叫,工人直接拔线。后来老老实实做数据增强——随机旋转、加噪、模拟不同光照,甚至把几个缺陷拼到一个工件上。标注更痛苦:缺陷边界要像素级勾勒,一个件花五分钟,请了三个实习生标了两个月,中间哭跑两个。

问:到底要多少张照片才能训练一个靠谱的缺陷检测模型?

答:看场景。如果缺陷种类固定且背景干净,比如检测螺丝螺纹缺齿,两千张可能就够了。但像我们这种压铸件表面缺陷,气孔、缩孔、裂纹、冷隔、夹杂…… 至少得每种缺陷有200-300个真实样本,而且正样本(良品)也得几千张,让模型知道“正常”长什么样。我们初期吃了大亏,拿五百张样本硬训,出来的模型过拟合得一塌糊涂,换种材料的光泽就癫了。后来堆到接近一万张混合数据,再用主动学习策略,把模型容易混淆的边界样本挑出来专门补标,才把泛化能力拉起来。记住,别迷信少样本学习,工业上那是赌命。

质检人员在专用软件上标注金属工件缺陷区域
质检人员在专用软件上标注金属工件缺陷区域

而且标注这件事,本身就有坑。老师傅和质检标准打架:老师傅觉得微裂纹不影响强度,放行;质检标准写只要肉眼可见就得扣。标注时到底听谁的?我们最后搞了个缺陷分级模型,轻微、中等、致命,用不同权重训练,再配合决策树定是否报废。这才把吵架时间省下来。

上线不是终点,模型的“售后”才要命

上线不是终点,模型的“售后”才要命
上线不是终点,模型的“售后”才要命

今年年初,一切美好。模型准确率99.2%,设备综合效率(OEE)提了3个点。然后,春天来了。回南天,车间湿度爆表,相机镜头上每天一层雾。照片灰度都变了。模型开始乱报,良品当废品吹,产线堵得一塌糊涂。我们紧急加了个去雾算法,又采集了高湿环境下的图片增量训练,折腾一个月才恢复。还有一次,供应商换了脱模剂,工件表面出现极淡的油彩纹,人眼看像氧化,其实是干净的。模型没学过这种纹理,全部判废。那两周报废率假性升高,生产部差点把我们质检组吃了。所以说,机器学习质量检测不是搞完项目验收就算完,得长期跟产线拉扯。

问:模型上线后还要不要管?具体怎么做?

答:太要管了!必须建一套监控和迭代机制。我们现在的做法:1)统计每日模型输出的置信度分布,看是否有漂移;2)随机抽取高误报样本和低置信度样本,每周让资深质检员复核,积累难例;3)每半年用积累的难例更新数据集重新训练,再走一遍验证流程才能上线。另外还备着一套传统视觉算法(模板匹配+阈值)作为降级方案,以防AI抽风。千万别想着“训练一次用几年”,工业现场没有静态的。材料、环境、工艺参数、光照,甚至更换操作工,都能让模型变弱智。有条件的可以上A/B测试,新旧模型并行跑一周,比较统计指标再切换。

还有个事儿,大家不爱提:老师傅的直觉,依旧牛逼。机器能筛掉80%的明显缺陷,但那些模棱两可的细微异常,还得是人。有个干了二十年的老戴,看一眼成品,摸两下,说“这批次可能氢脆风险高”,后来金相分析真裂了。模型对此完全没反应。所以现在我们的流程是:机器初筛,难判的自动分流到人工复检台,再用AR眼镜辅助标记,数据回传训练。人机闭环,越转越聪明。

走到今天,我不敢说机器学习质量检测是万能钥匙。但至少,它把我们从重复性瞪眼劳动里解放出来了。质检员现在更像品控工程师,盯着数据和异常曲线,而不是盯着零件流泪。值了。

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:从“人工瞪眼”到“AI鹰眼”的真实实录 https://www.dachanpin.com/a/tg/66451.html

赞 (0)
工业人工智能(AI)落地实录:预测性维护到底能省多少钱?
上一篇 2026-07-31 20:53:35
工业计算机视觉(CV)检测真的那么神?一位老工程师的苦笑不得
下一篇 2026-07-31 21:45:44

相关推荐

  • 深夜充电桩旁的暖光

    小区西门的充电桩总在傍晚亮起淡蓝色的指示灯,像串起暮色的星子。张阿姨攥着充电卡的手微微发颤,塑料卡片边缘被磨得圆滑,是三个月来反复插拔留下的痕迹。 她的白色新能源汽车静静停在车位上,挡风玻璃上还贴着孙子画的太阳,蜡笔颜色在渐暗的天光里慢慢模糊。这是儿子换工作后送她的礼物,也是她每周去养老院看望老伴的底气。 上周降温那天,张阿姨忘看电量就出了门,车在半路突然提…

    2025-09-19
  • PCBA 加工厂:电子制造产业链的核心支撑力量

    在现代电子产业飞速发展的背景下,PCBA(Printed Circuit Board Assembly,印刷电路板组件)作为各类电子设备的核心载体,其加工质量与效率直接决定了终端产品的性能与竞争力。PCBA 加工厂作为产业链中的关键环节,承担着将设计图纸转化为实体组件的重要使命,无论是消费电子、工业控制,还是汽车电子、医疗设备等领域,都离不开专业 PCBA …

    投稿 2025-09-11
  • Profinet/Profibus:从现场总线到工业以太网的进化与纠结

    上周去一家汽配厂做诊断,看到柜子里一排排的Profibus DP紫色电缆,我愣了一下——这玩意儿快二十年了吧?设备还在吭哧吭哧跑,但新上的视觉系统死活要接Profinet。到底换不换?这个问题,几乎每个搞工控的都纠结过。 Profibus,特别是DP和PA,曾经是自动化的脊梁骨。速度嘛,最高12 Mbit/s,在当年算快了。但说实话,它的物理层基于RS-48…

    2026-06-04
  • 工业少人化产线:步子迈大了,节拍全乱了

    上周在苏州一家做精密齿轮的厂里,看到一条刚改造完的产线。六台协作机器人,两条自动上料轨道,AGV小车来回穿梭。挺气派的。可车间主任老周蹲在控制柜旁边抽烟,一脸无奈。 “产能掉了三成。”他说。 我问他为什么。他指了指末端检测工位——“那儿还得站个人。视觉检测搞不定毛刺,非要人工复判。” 这事儿太常见了。花了几百万上的工业少人化产线,最后卡在一个不起眼的工序上。…

    投稿 4天前
  • PCBA 打样:电子世界里的精致雏形师

    当我们指尖划过智能手机的流畅屏幕,或是聆听智能音箱传出的悦耳旋律,很少有人会想到,这些便捷电子设备的诞生之初,都曾经历过一段精密而细致的 “孕育” 过程。在这个过程中,PCBA 打样如同一位技艺精湛的雏形师,用严谨的工艺和专注的态度,为每一款电子设备打造出最初的 “骨架”,搭建起功能实现的基础桥梁。它不是冰冷的工业流程,更像是电子研发旅程中不可或缺的伙伴,用…

    2025-08-28

联系我们

在线咨询: QQ交谈

邮件:362039258@qq.com

工作时间:周一至周五,9:30-16:30,节假日休息