机器学习质量检测：帮工业砍掉80%漏检的实战复盘

去年跑长三角，见了一个做发动机缸体铸造的老板。一开口就骂街。半年赔了三百万，都是漏检流出去的次品给客户的赔偿。传统人工目检，工人盯四个小时，错漏率直接跳到10%以上。换传统视觉检测？缸体上的砂眼位置不固定，有的浅砂眼颜色和本体差不到5%，阈值卡紧了误检一堆，卡松了漏检一堆，进退两难。这时候老板经人介绍上了机器学习质量检测，三个月下来，漏检率降到0.1%以下，省下的赔偿钱，半年就收回了成本。

为什么传统检测搞不定工业微小瑕疵？

工业生产的瑕疵，太非标了。同一个零配件，不同批次的原材料颜色不一样，铸造出来的纹理不一样，甚至车间灯光变一点，拍出来的图就差很多。传统检测靠规则、靠阈值，都是死的，应对不了这种活的变化。机器学习不一样，它学的是瑕疵的特征，不是死规则，只要样本够准，它就能把藏在纹理里的小砂眼、小裂纹给揪出来。

问：中小企业上机器学习质量检测，会不会成本太高玩不起？答：说实话，三年前可能是，现在真不是。现在开源的计算机视觉框架成熟，很多工业AI服务商都按检测点位收费，一套铸造瑕疵检测的整体部署成本，不到三年前的三分之一。我接触过浙江温州一家百来人的五金配件厂，去年上的线，三个月就靠减少返工、客户索赔回本了，剩下的都是纯赚。问：上这套系统要不要改造现有生产线？停线太久耽误生产可吃不消。答：大部分情况完全不用。只要你现有生产线装的工业相机能拍出合格分辨率的原图，直接加一台算法工控机对接输出信号就行，不用动生产线的机械结构，大部分工厂停机对接时间不超过48小时，赶订单的间隙就能做完，根本不耽误事。

工业落地机器学习质量检测，三个一定要避的坑

我接触过不下十个做砸了的项目，十个里有八个不是技术不行，是踩了没必要的坑。第一个坑，上来就堆大模型。很多服务商一开口就说我们用大模型，效果肯定好。瞎扯！工业场景哪来那么多干净的标注数据？百分之九十的中小工厂，能拿出来的合格、不合格样本加起来都不到一万张，硬上大模型百分百过拟合，这批货测的准，换一批货直接乱识别。 工业级机器学习质量检测，适合的才是最好的，轻量模型改一改，大部分场景够用了，推理速度快，普通工控机就能跑，省下来的钱买排骨不香？ 第二个坑，标注交给算法团队瞎搞。算法工程师懂个屁工厂的质检标准！我见过一个项目，算法工程师把铸件表面的正常纹理标成了瑕疵，把真的砂眼标成了正常纹理，训练出来的模型一塌糊涂，最后项目推倒重来，耽误了大半年。 核心瑕疵样本，必须交给工厂做了十年以上的老质检员标注，算法团队只负责整理和规则对齐，这点绝对不能省。我见过好几个老板为了省几千块的标注人工费，最后几十万项目费打了水漂，太可惜了。第三个坑，不做现场调优。实验室测出来准确率99%，一拉到生产线就拉胯，太常见了。车间的光照会变，原材料批次会变，甚至生产线震动都会影响成像，必须在现场跑半个月，拿实际生产的样本反复调，才能稳定。

2024年落地的新趋势，真的很实用

今年跑工厂，明显感觉到两个变化。第一个是边端部署普及了。之前很多方案要把图像传到云端处理，不仅延迟高，还担心核心零配件数据泄密，很多汽车、新能源行业的工厂根本不敢用。现在大部分新方案都直接把模型部署在生产线的边端工控机上，数据不用出工厂，推理延迟不到100ms，完全跟上生产线节拍。第二个是小样本学习真的落地了。之前换一个新的零配件型号，要重新标注两三千张样本，调试十天半个月，适合大批量生产，不适合多品种小批量的工厂。现在只要标注两三百张甚至更少，就能快速调通模型，换型时间从按天算变成按小时算，很多做定制零配件的工厂也能用得起了。上个月去东莞见一个做新能源电池壳体的老板，他们上个月换了三种不同规格的壳体，模型调试加起来只用了三天，漏检率稳定在0.2%以下，检测速度比人工快五倍，原来一个班八个目检员，现在只要两个人管设备就够了。别信那些吹AI要取代工人的鬼话。说白了，机器学习质量检测就是帮工人把最累最熬人的重复目检活干了，把人解放出来去做更有价值的事，帮工厂少赔钱，多赚钱，这就够了。对吧？