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。

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。

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

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。