凌晨两点,冲压线第 37 次报警。操作工跑过去一看——不是裂纹。是油污。屏幕上那个红框,准准地圈住了油渍。这种场景,做机器学习质量检测的人,谁没遇到过?
所以别急着聊大模型。先聊工况。节拍、光照、料号、模具温度、相机脏不脏。这些玩意不搞定,算法再花哨也是纸老虎。
缺陷检测不是图像分类作业
很多团队把产线当 Kaggle。训练集一喂,准确率 99%。上线三天,过杀率爆表。为什么?工业缺陷检测和自然图像分类,根本不是一个游戏。
第一,缺陷样本少得可怜。一条线一天几百件,缺陷可能只有几件。有的缺陷,半年才出现一次。第二,缺陷定义会变。今天说划痕超过 0.2mm 算不良,明天客户改标准,0.1mm 也要拦。第三,背景干扰多。反光、水渍、粉尘、震动。第四,节拍不等人。200ms 一件,你模型推理 500ms,线就停了。
我见过一个项目,团队用 ResNet 做布面瑕疵检测,实验室 F1 0.98。到现场,车间空调一开,光源频闪,模型直接懵。后来怎么办?换频闪光源,加遮光罩,模型输入从 RGB 改成灰度+偏振。准确率才爬回 0.93。💡 所以,机器学习质量检测的第一性原理是:先控制成像,再谈模型。

成像这块,几个硬指标:分辨率、景深、曝光时间、光源角度。金属表面用低角度暗场,容易抓划痕;塑料件用漫射光,减少反光。别小看这些。它决定了模型看到的是什么。垃圾进,垃圾出。对吧?
数据标注也是坑。标注员不是工艺工程师。什么是“脏污”,什么是“色差”,什么是“可接受缺陷”,必须给边界样本。否则同一张图,三个人标出三种结果。模型学废了。
小样本怎么办?别硬训监督模型。用异常检测。无监督学习。或者预训练 backbone + 微调。再不行,合成缺陷。但合成要小心,别把仿真缺陷做得太假,模型学到的是生成器的味道。
问:我们产品缺陷样本只有几十张,能上机器学习质量检测吗?
答:能,但路线要换。优先做无监督异常检测,比如 PatchCore、PaDiM 这类。或者用工业预训练模型做迁移学习。几十张可以当验证集和阈值调优集,不要指望它直接训出一个稳定分类器。❗ 另外,先确认这几十张是否覆盖了主要缺陷模式。如果只覆盖一种,上线后必翻车。
模型上线只是开始:误报、漂移和根因追溯
很多供应商把验收标准写成“实验室准确率”。这很危险。产线要的是:漏检率低、过杀率低、节拍稳、可解释。实验室 99%,现场 85%。不是模型不行,是域偏移。
域偏移怎么来的?换批次、换模具、换供应商、镜头老化、光源衰减、车间温湿度变化。甚至同一台设备,早班和晚班的震动都不一样。模型昨天还神,今天就像没睡醒。这就是模型漂移。
怎么盯?监控三样东西:输入图像分布、置信度分布、缺陷类型占比。用 PSI、KL 散度做特征漂移检测。一旦漂移超阈值,触发重新采样和标注。别等客户投诉再救火。

误报是最大的敌人。操作工被误报折腾三次,就会把系统关掉。然后你再去开,他跟你急。所以,人机协同必须设计好。低置信度样本,自动推到复判界面。高置信度不良,直接报警。高置信度良品,放行。界面要简单。就三个按钮:确认不良、误报、拿不准。别搞十级菜单。
根因追溯也重要。光说“这张图是缺陷”没用。要把缺陷坐标、时间戳、设备参数、工艺参数、批次号串起来。MES、QMS、PLC 数据得打通。比如,连续三件同一位置划痕。那可能是导辊磨损。系统应该提示:检查 3 号导辊。这才是价值。
与 SPC 联动也香。机器学习质量检测抓全检,SPC 看趋势。当缺陷率连续上升,但还没超规格,SPC 先预警。机器学习这边锁定缺陷模式。两下一合,工艺工程师就能提前调机。
问:为什么模型在实验室 99%,到现场 85% 都不到?
答:典型域偏移。实验室样本干净、光照固定、相机固定。现场有震动、粉尘、反光、料号切换。解决不是调参,是补数据:采现场图、做域适应、在线校准、闭环标注。还有一个常被忽略的点——镜头焦距和触发时序。焦距跑一点,图像就模糊。触发早 5ms,工件位置就偏。先查硬件,再怪模型。
给工厂的落地路线:从单点工位到产线级质量闭环

别一上来就搞全厂 AI 平台。真的。我见过太多项目,平台搭了半年,模型没上线。钱烧了,产线没感觉。正确姿势:选一个痛点工位,做深做透。
- 第一步:定义缺陷边界。 拉上工艺、质量、生产。把可接受、不可接受、待商榷的样本贴墙上。拍板。别让算法团队猜。
- 第二步:数据基建。 相机、光源、触发、存储、标注规范。一套下来,比模型贵。但省不得。
- 第三步:基线模型。 先用轻量 CNN 或异常检测跑通。别追 SOTA。能稳定 95% 漏检率低于 0.5%,就是好模型。
- 第四步:边缘部署。 GPU、NPU、FPGA 都行。关键看功耗、散热、节拍。模型剪枝、量化、TensorRT。能跑 30fps 就别跑 5fps。
- 第五步:监控看板。 实时显示过杀率、漏检率、置信度分布、设备状态。让班长看得懂。
- 第六步:集成 MES/QMS。 不良品自动锁码,数据回传。别让操作工手工录入。手工录入必造假。
- 第七步:持续迭代。 每周复盘误报。每月评估漂移。每季度重新训练。💡 模型不是交付物,是活的。
指标怎么定?别只看准确率。看四个:漏检率、过杀率、人工复检工时、OEE 影响。漏检率关系客户投诉。过杀率关系产线愿不愿意用。复检工时关系成本。OEE 关系老板支不支持。
还有个小细节。报警要分级。红色:确认不良,停机或剔除。黄色:疑似,推复判。蓝色:记录,不打断。别什么都红色。狼来了,没人信。
说实话,机器学习质量检测不是万能药。它擅长一致性、重复性、多维特征。人不擅长盯着看 8 小时。但人擅长处理没见过的情况。所以,最佳组合是:机器全检,人管异常。机器给数据,人做决策。机器越用越准,人越用越省心。
最后一句,不是总结。先把一个工位做到 99.5% 稳定,连续跑三个月。再谈复制到第二条线。否则,就是给自己挖坑。…
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:机器学习质量检测落地指南:产线误报、漏检和模型漂移怎么破? https://www.dachanpin.com/a/tg/72914.html