机器学习质量检测：给工业制造装一双火眼金睛

上个月跑珠三角调研汽配工厂，碰到个干了三十年的老厂长，拉着我吐槽前两年上的视觉检测系统。原来给大厂供配件，漏一个次品罚五千，旧系统漏检率稳定在3%，每个月光罚款都能吃掉半个生产线的利润。现在呢？换了机器学习质量检测之后，漏检率降到0.2%不到，上个月整月只罚了一次，还是工人搬运碰出来的新划痕。我当场摸了摸他们的检测设备，没比原来大多少，价格甚至还比当年的旧系统便宜了快两成。

工业质量检测的老痛点，传统解法根本绕不开

做了这么多年工业，我太清楚质量检测这块的糟心事儿。人工检测？干满四小时，注意力下降一半，微米级的划痕、铸件内部的隐裂，根本看不清。招十个检测工，每个月工资就是一笔固定开销，还留不住人。规则式机器视觉？换个产品批次，改一下原材料色差，就得重新写参数调阈值，工程师来一趟大几千没了。现在新品迭代三五个月一款，刚调好又要改，折腾不起。

说白了，只要产品变，公差严，更新快，传统办法就跟不上。这两年新能源、消费电子行业要求越来越高，很多工厂的质检环节早就拖了产能后腿。问：是不是只有头部大厂才用得起机器学习质量检测？答：早个三五年确实是，那时候算力贵，标注缺工具，一套系统下来百万起，中小厂碰都不敢碰。现在完全不一样了，针对单一品类的轻量化方案，二三十万就能落地，大部分工厂靠省返工成本和客户罚款，半年到一年就能回本，珠三角好多做定制五金的小厂都上了，没想象中遥不可及。

落地机器学习质量检测，最容易踩的三个坑

我见过不下三十个落地项目，快一半都没达到预期，真不是技术不行，都是踩了没必要的坑。 ❗ 第一个坑：样本数据不对，上来就套模型很多工厂老板上来就问，你这模型准确率多少，根本没想过自己手里有没有合格的训练数据。缺陷样本本来就少，一百个产品里才出一两个次品，凑不够几百上千张不同光照、不同环境的缺陷图，模型准确率直接掉10个点以上，根本用不了。 ✅ 现在有小样本预训练模型，几十张缺陷样本就能微调，不用攒一大堆，这个真的解决了大问题。 ❗ 第二个坑：忽略生产线的复杂环境工厂车间什么环境？油雾、水汽、镜头沾灰、光照随时间变，你拿干净实验室里拍的图训练模型，放到生产线上直接抓瞎，错判率能翻三倍。必须要把车间的常见噪声加到训练集里，模型才能稳定。 ❗ 第三个坑：上线就不管，从来不迭代模具用久了会磨，原材料供应商换了色差会变，产品改一点设计缺陷特征就变了。模型上线扔那大半年不更新，漏检率慢慢就涨回去了，白花钱。

说实话，这些坑说出来都不难懂，但真落地的时候，很多人就是急着上线，忽略这些细节，最后效果不好反过来骂技术不行，太冤了。问：机器学习质量检测能完全替代人工质检吗？答：哪能啊，现在最成熟的方案都是模型初筛+人工复检，模型把一眼就能确定的合格、不合格产品分出来，只把存疑的少数产品送给人工，既省了人工90%的重复劳动，又把误判率压到工厂能接受的范围，性价比最高，大部分工厂都是这么搭的，完全没必要追求全替代。

2024年的新变化，中小工厂也能放心用

今年跑下来最大的感受，就是技术落地门槛真的降太多了。原来定制一套模型要两三个月，现在有了针对工业缺陷的预训练底座，一周就能调完上线测试。原来要专门养工程师维护，现在大部分供应商都做了云端迭代，改模型不用工程师跑现场，远程就能更。东莞有个做手机中框的客户，去年上的系统，原来传统视觉漏检率2.1%，现在降到0.12%，一条12小时的生产线省了3个检测工，不到10个月就收回了成本，今年还打算扩两条线。不过话说回来，也不是所有场景都适合上。你要是做十年都不换款的标准铸件，缺陷类型固定，传统规则视觉就够使，犯不上花这个额外的钱。对吧？别听供应商吹什么全场景通用，没有这回事。一定要先拿自己的产品做小范围测试，准确率达不到你的要求，千万别着急上全线，试错成本越低，越不容易踩大坑。现在制造业都往柔性定制走，换款越来越快，批量越来越小，传统质检的成本只会越来越高，机器学习质量检测这块，确实是解决痛点的好东西。只要摸清楚脾气，避开那些坑，真的能给工厂省不少钱，赚不少钱。