上次去东莞那家做汽车冲压件的工厂，厂长拉着我吐槽了三个小时。原来他们花了大几十万上AI检测，上线三个月漏检率还比人工高五个点。钱打了水漂，项目团队都快散了。
现在好多工厂都跟风上，十个里面能成三个就不错了。
你见过几家工厂给缺陷做过标准化标注？同一个两毫米的划痕，新工人觉得不影响功能标“轻微”放行，老工人按标准标“不合格”报废，一千张样本能有三百张标注矛盾，数据脏得像泔水，训练出来的模型能准才怪。
还有更离谱的，缺陷样本攒不齐，十种缺陷每种才二三十张，就敢喊着做全品类检测，这不交学费才怪。
问：我们工厂已经有人工目检好几年了，做机器学习质量检测一定要重新标注全部数据吗？
答：完全不用。说实话，好多项目团队上来就让你标几万张，纯是为了多赚项目服务费。你只要把过去一年里被判不合格的残次品找出来，挑不同光照、不同缺陷程度的，每种凑个两三百张，再抽一千张正常品，就够训练初始模型了。剩下的可以上线之后做动态标注，把模型拿不准的样本挑出来人工标，越用越准，成本能省一半都不止。
💡 第一，别追求通用模型，就盯着你自己产线的产品调。很多算法公司拿公开缺陷数据集预训练的模型就过来交差，你产线的浮灰、皮带反光、产品批次色差这些干扰项，人家公开数据集根本没有，能准才见鬼。我见过最聪明的做法，是做产品夹具的时候直接把光照角度卡死，背景统一成工业灰纯色，先把无关变量灭掉，模型准确率直接涨了12个百分点。
❗ 第二，一定要给模型留“拒绝权”。就是模型信心低于阈值的样本，直接打回给人工检，别硬出结果。很多工厂老板拍脑袋要求模型必须100%全自动全检，不能漏，最后反而错一堆，砸了自己的牌子。说实话，机器学习质量检测本来就是给人工减负的，90%的合格品模型直接过，10%拿不准的人工看，人工工作量降90%，这就已经赚大了，你非要追求100%全自动，那就是自己跟自己过不去。
✅ 第三，别忘记模型的在线更新。你的原材料换了供应商，模具磨耗了，产线换了新灯管，产品外观都会变，半年前训练的模型准确率肯定往下掉。我建议每个星期自动收集一次模型判过的样本，每个月花几十分钟微调一次，花不了多少算力，效果能一直稳住。
问：机器学习质量检测能代替全部人工目检吗？我们老板想把整条目检线撤了，能行吗？
答：我见过能全替的，都是标准化程度极高的产品，比如手机玻璃盖板、半导体芯片，缺陷类型固定，样本量够大，生产环境控制得好，能做到99.9%以上准确率，这种完全可以撤。但要是你做的是多品种小批量的定制件，今天换这个产品明天换那个型号，我劝你死了这条心，乖乖做人机协同，模型帮你筛掉大部分没问题的产品，人工只看剩下的小部分，投入产出比才最高。真硬撤了线，出了批量质量问题，索赔的时候哭都来不及。
的方案，几千块的边缘计算盒就能跑，不用把数据传去云端，隐私安全，延迟还低，单张图片检测只要几十毫秒，完全不卡产线节拍。
上个月去苏州一家做家电注塑件的工厂，他们就用这种方案，两个内部技术人员花了两个礼拜就调通了，总投入才十几万，原来一条线三个目检工，现在只留一个顶班，半年就收回了成本。
说实话，好多人一提AI检测就觉得要几百万投入，那都是被卖解决方案的忽悠了。现在工具链成熟得很，中小企业也能玩得起机器学习质量检测，只要你别好高骛远，先挑一条问题最大、人工成本最高的线试起来，跑通了再往其他产线扩，风险极低。
别信那种包你100%准确率的鬼话，能做到漏检率比人工低一半，误检控制在10%以内，那就是非常好的效果了，已经能帮你省大把人力钱，还能减少批量不合格流出的风险。对吧？
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：踩过坑才懂的实操指南 https://www.dachanpin.com/a/tg/68259.html
