前阵子跑珠三角，一个做汽车钣金冲压的厂长拉着我吐槽，说花了六十多万上了AI质量检测，上线三个月，漏检率比干了二十年的老质检员还高两个百分点。退货赔了几十万，现在设备摆在生产线角落落灰，提起来就骂。
很多供应商宣讲，张嘴就是准确率99.9%，那都是实验室里用标准缺陷数据集跑出来的数字。工业生产线是什么地方？
早上光线亮，下午光线暗。工件批次换了，涂料反光度差一点。工人摆歪了一厘米，夹具松了两毫米。沾了点切削液，落了点灰尘。
任何一个变量变一点，模型直接崩。
说实话，我见过最扯的一个项目，供应商拿一千张完美工件、一千张缺陷工件拍了照训模型，实验室准确率99%，上线第一天，工件换了一批镀锌板，直接把三成合格工件判成了不合格。生产线停了四个小时，赔了十几万。
问：我们工厂现在也想上机器学习质量检测，是不是得先攒个百万级的标注数据集才行？
答：完全是被忽悠了。大部分中小工厂，常见缺陷一年出不了几百个，稀有缺陷几年才出一次，上哪攒百万数据？现在成熟的方案，用小样本学习加传统机器视觉预筛选，几十张缺陷样本就能把准确率拉到可用的程度，没必要烧钱堆数据。
问：那我们自己没有算法团队，能不能做机器学习质量检测？
答：现在很多成熟的第三方方案，都做了可视化的标注工具，你只要把自己的工件照片导进去，点两下标注缺陷，剩下的模型训练微调都是自动的，一周就能上线跑测试，根本不需要你自己养算法团队。
很多工厂连自己都搞不清什么算不合格。同样一毫米的划痕，在外观面就是不合格，在非可见面就是合格，换个质检员标准都不一样。你标准都乱，机器学习怎么学？我一般建议，先拉三个干了五年以上的老质检员，把过去半年所有不合格工件分好类，把三个人判断不一致的样本全部拎出来，先跟品控部把标准咬死了，再开始碰数据和模型，能少走三个月的弯路。
❗
太多工厂犯这个错，舍不得在光源、相机、夹具上花钱，总想着靠牛逼的模型救硬件的坑。可能吗？我去年碰过一个做注塑件黑点检测的项目，三个算法工程师调了三个月模型，漏检率还是下不来，最后换了个一千多块的同轴光源，问题直接解决了八成，剩下的调了两天就上线了。
现在机器学习质量检测最好的落地模式，从来不是全取代人工。而是模型把90%一眼就能确定合格的工件直接放行，把剩下10%模棱两可的存疑样本挑出来，交给人工复检。这样既把人工的工作量降了九成，漏检率还比全人工低得多，皆大欢喜。上来就说要全取代质检员的，基本都是忽悠。
今年跑了二十多家工厂，最大的感受是，大家终于不追大概念了。以前张嘴就是通用大模型，现在都问，能不能在生产线本地跑，能不能不把我的数据传出去，成本能不能压到十万以内。
是今年真的落地最多的方向。以前都要把数据传到云端算，延迟高，还担心工业数据泄露，现在千元级的边缘AI芯片就能跑成熟的检测模型，单张图像推理不到10毫秒，完全跟得上每分钟几十件的生产线速度，数据全存在本地，安全还便宜。
不过话说回来，还是有很多老板来问我，能不能用GPT做质量检测，我听了都想笑。那是做自然语言的，凑这个热闹干嘛？完全没必要。
还有一个利好中小工厂的趋势，就是预训练的通用缺陷模型越来越成熟了。你不用从零开始训模型，只要拿自己几十张标注好的样本做微调，三五天就能上线测试，整体成本比三年前降了不止八成，以前几十万才能做的项目，现在十几万甚至几万就能搞定。
最后说句实在话，机器学习质量检测不是什么点石成金的黑科技，就是一个帮你提升检测效率、降低人工成本的工具。你别上来就搞大而全，先挑一个问题最严重、缺陷最明确的工序试一下，跑顺了再慢慢扩，成功概率比瞎砸钱高太多了。
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：制造业落地机器学习质量检测，避坑远比选模型重要 https://www.dachanpin.com/a/tg/67703.html
