我跑过不下十家华东华南的制造工厂质检线，见过太多把智能化吹上天，最后把机器学习质量检测系统扔在仓库落灰的案例。
不是技术不行，是绝大多数人都踩了不该踩的坑。
人工质检不说了，八小时盯着细小零件看，到下班点眼神都散了。高端汽车的密封胶条，一点点划痕就是不合格，漏检一次，整批召回的成本够买半套系统了。
传统机器视觉呢？只能认死规则。换个产品型号，改个材料颜色，工程师蹲在产线调半个月参数，现在小批量多品种的订单，半个月换一次款，调参数的时间比生产的时间还多。
之前给一家做液晶面板的工厂做咨询，他们原来的传统视觉系统，检玻璃上的麻点，碰到环境湿度变化，光照稍微暗一点，误检率直接翻三倍，每天都要出几十件冤枉的不合格品，浪费大了去了。
问：机器学习质量检测能适配所有的工业质检场景吗？
答：当然不能。比如那种瑕疵完全无规律，连老师傅都要靠游标卡尺、超声波测内部损伤的场景，现在机器学习还代替不了专业仪器。但绝大多数外观质检、常规缺陷分类的场景，它的表现已经远超传统方案了，前提是你没踩坑。
💡 第一个坑：把实验室准确率等同于上线准确率。
我刚入行做项目那会，拿着实验室清理好的数据集，准确率做到99.5%，老板拍板上线，结果第一天跑下来，漏检率快10%。为啥？车间里的零件有油污，有浮灰，摆放位置歪个三五度，光照随白天晚上变，这些在实验室干净数据集里根本看不到。模型见过的少，当然认不出来。
❗ 第二个坑：忽略后续的模型迭代成本。
很多工厂上线的时候只算采购开发的钱，没想着后续改款加新瑕疵要花钱。我见过一家五金厂，上线第一年换了四个产品系列，每次改模型都要付原厂八万服务费，老板算了算，一年服务费赶上半套系统钱，直接停了不用了。
✅ 第三个坑：不做产线集成，最后变成额外负担。
有客户找我吐槽过，之前找外包做的模型，只能出结果存在本地，不能对接产线的自动分拣机构，也不能连工厂的MES系统，工人看完生产还要再看一遍模型结果，平白多了一道工序，谁愿意用？最后干脆不用了。
问：中小制造工厂预算少，是不是玩不起机器学习质量检测？
答：真不是。放在五年前，一套系统几十万起步，小工厂确实碰不起。现在不一样了，领域预训练模型早就成熟了，你只要攒两三百张合格、不合格的样本，找专门做工业质检的服务商微调一下，几万块就能搞定初版，先跑人机协作模式，模型把疑似瑕疵挑出来，工人只复核疑似项，漏检率能降一半，人工成本能少三分之一，两三个月就回本了。
不过话说回来，小工厂别一开始就追求全自动化，先跑通再逐步优化，稳比快重要，对吧？
最近一年跑现场，明显感觉到两个变化。
第一个是小样本学习的普及。原来要几千张瑕疵样本才能训出能用的模型，现在只要几十张，甚至十几张就能用，特别适合做定制化零部件的工厂，比如航空航天、医疗器械这些领域，本来产量就低，瑕疵样本少得可怜，原来根本用不了机器学习，现在也能用上了。
第二个是边缘端部署成熟了。原来模型都跑在云端，不仅延迟高，还担心工厂数据泄露，现在把模型压缩之后，直接跑在产线边上的边缘计算盒里，几十毫秒就能出结果，不用联网，数据都存在工厂本地，安全又稳定，现在头部的新能源车企基本上都用这种方案。
上个月我去东莞一家做新能源电池结构件的工厂，他们刚上线一条机器学习质量检测线，原来一个班要12个工人做外观检，现在只要2个人做最终复核，漏检率从原来的2.7%降到0.15%，算上设备和人工成本，七个月就收回了两百万的投入，老板说今年还要再上两条线。
说实话，很多人把机器学习吹得太玄乎，其实它就是个帮制造业降本提效的工具，不是啥放之四海而皆准的仙丹。你连自己的瑕疵判定标准都理不清楚，标注数据全是错的，那就算请最牛的团队来，也做不出能用的系统。
先理标准，再跑小范围测试，再逐步扩线，踩坑的概率就能降一大半。
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：制造业落地机器学习质量检测：避坑指南与真实实践 https://www.dachanpin.com/a/tg/67400.html
