计算机视觉（CV）给制造业质检带来的革命

上个月跑珠三角调研，进了一家做汽车发动机活塞的加工厂。车间里原来三个人盯一条质检线，现在只剩一个阿姨在旁边整理包装盒。原来的人工工位换了个带工业相机的小支架，屏幕上不停跳着”合格””不合格”。漏检率从原来的12%，降到了0.8%。太震撼了。这不是什么实验室里的黑科技，就是计算机视觉（CV）在制造业最常见的落地场景——质检。

制造业质检为什么偏偏需要计算机视觉（CV）？

做制造的都懂，质检是最磨人的活。尤其是精密铸件、汽车零部件、电子PCB这类产品，缺陷大多是毫米级的划痕、砂眼、变形。人眼盯个两小时，准确率就掉一半。干满八小时，别说准确率，人都快熬废了。而且现在招质检工人有多难？年轻人不愿意干这种重复性高、伤眼睛的活，工厂开的工资一年比一年高，还是留不住人。

标准不统一也是大问题。同一个缺陷，这个工人觉得放行，那个工人觉得报废，全靠经验，旺季赶货的时候放出去一批不良品，客诉罚款够你赚好几个月。计算机视觉（CV）刚好解决这个问题。标准统一，24小时满负荷跑不疲劳，识别准确率比熟工还高，换产品只要更新训练样本就能用，不用换硬件。问：现在市面上很多低成本的视觉传感器就能测尺寸，为什么非要用带深度学习的计算机视觉（CV）方案？答：那种是十几年前的传统规则式视觉，只能测固定位置的固定尺寸，换个产品就得工程师上门写几周规则。遇到不规则缺陷，比如随机分布的砂眼、形状不一样的飞边，规则式根本就认不出来。计算机视觉（CV）用深度学习训练过几万张你工厂的缺陷样本，哪怕是没见过的同类型缺陷也能精准抓出来，换产品只要补几百张样本，一两天就能完成迭代，效率差了不止一个量级。

工业计算机视觉（CV）落地，踩过的那些真坑

说实话，我见过至少一半工厂第一次上CV项目，都踩过坑。佛山有家做陶瓷卫浴的，三年前花六十多万上了一套CV质检系统，结果车间换了LED灯管，光线色温变了，识别率直接从98%掉到65%，根本没法用，放那积灰到现在。还有的工厂贪便宜，拿厂商给的通用公开数据集训练模型，上线了才发现，自己工厂的缺陷和公开数据集里的完全不一样，等于买了个废模型。 💡 这里划重点：工业场景的计算机视觉（CV），数据永远比模型重要。别信什么通用大模型就能包打天下，没有你自己工厂的真实缺陷样本，再牛的模型也没用。问：工厂环境太复杂，灰尘、震动、光线变来变去，计算机视觉（CV）是不是根本稳不住？答：早年确实会这样。现在不一样了。算法层面有针对工业场景做的噪声过滤、光照补偿模块，硬件端有带偏振滤波的工业相机，打光都用定制的同轴漫射光源，专门解决金属反光、粉尘遮挡的问题。我上个月在山东一家热轧钢厂看到，连1000多度钢板表面0.1mm宽的细微裂纹，CV都能准确识别，还能自动过滤氧化皮的干扰。核心是部署的时候，一定要让厂商把你车间的所有环境变量都测一遍，别拿实验室的理想数据直接搬生产线，就不会出大问题。

中小工厂上CV，要多少钱？多久回本？

很多中小厂老板一听到人工智能、计算机视觉，第一反应就是”这是大厂玩的，我们小厂玩不起”。其实真不是。这两年CV方案模块化做的很成熟了，一条单独的质检工位，从硬件到部署，十几万就能下来。什么概念？一个质检工人一年工资加社保差不多要六万，三个工人就是十八万，一套CV方案比一年的人工成本还低。我接触过的项目里，快的七八个月就回本，最慢的也不会超过十八个月。 ✅ 给中小厂的落地建议： 1. 先上单个工位试跑，跑通了再整条线扩，别上来就搞全工厂改造，那都是厂商割韭菜的套路 2. 一定要抽时间整理自己工厂的真实缺陷样本，越多越好，别嫌麻烦 ❗ 别贪大求全，一开始就想实现什么全流程无人化，能把质检这一个环节解决，就能省大把钱不过话说回来，现在的落地成本真的降太快了。三年前一个工位还要三十多万，现在十五万就能搞定，再过两年估计还能降。很多人说CV抢工人饭碗，我不这么看。本来质检这种工位就是反人类的，伤眼睛又枯燥，没人愿意干，与其高价招人还招不到，不如用CV把人换出来，去做更有价值的维修、调试工作，对工厂对工人都是好事。接下来几年，我估计百分之八十的离散制造业质检工位，都会换成计算机视觉（CV）方案。这不是趋势，是已经在发生的现实。