客户是一家汽车底盘零部件制造商，之前靠人工目检零件表面缺陷。一条产线需要6个质检员，两班倒，人眼疲劳导致漏检率在3%左右。客户希望用AI视觉检测替代人工。
一、初期POC的假象
项目初期，我们用客户提供的500张缺陷样本训练模型，在测试集上准确率达到98%。客户很满意，决定上线。但真正部署到产线后，问题接踵而至：
- 车间光线变化（白天/晚上/阴天）导致成像效果差异大
- 零件摆放位置有偏差，每次拍摄角度不完全一致
- 新的缺陷类型不断出现，模型没见过就漏检
上线第一个月，现场准确率只有82%，客户非常不满意。
二、问题根因分析
我们复盘后发现，POC阶段的数据是"干净的"——都是质检员在实验室内拍的理想图片。但真实产线环境复杂得多。视觉AI项目和算法实验室研究最大的不同是：环境变量才是最大的敌人。
三、整改方案
1. 硬件环境标准化
首先解决成像一致性问题：
- 安装固定光源（环形LED光源），屏蔽自然光干扰
- 设计零件定位工装，确保每次拍摄位置角度一致
- 工业相机分辨率从500万像素提升到1200万，小缺陷也能看清
2. 数据持续采集与迭代
建立"现场采集—标注—训练—上线"的闭环机制：
- 每周从产线采集误判案例，加入训练集
- 和质检团队合作，建立缺陷分类标准
- 模型每两周迭代一次，逐步覆盖新缺陷类型
3. 人机协作流程
不追求100%替代人工。AI检测结果分三类处理：
- 明确合格：直接通过
- 明确缺陷：自动剔除
- 疑似缺陷（置信度在边界）：转人工复检
这样AI把80%的简单判断做了，人工只处理20%的疑难案例，效率大幅提升。
四、最终成效
经过3个月整改和迭代：
- 线上综合检测准确率稳定在96.5%
- 每条产线质检员从6人减少到2人（只做复检）
- 漏检率从3%降到0.8%
- 年节省人力成本约120万
五、给制造业AI项目的建议
建议一：POC就要在真实产线做。不要在实验室里做漂亮的演示，直接把设备架到产线上跑两周，暴露真实问题。
建议二：算法只是一半，工程是另一半。光源、工装、传感器稳定性这些"笨功夫"决定项目成败。
建议三：预期要合理。不要指望AI一开始就完美替代人工。先做辅助质检、人机协作，逐步提升自动化率。
这个项目让我们深刻认识到：工业AI的难点不在算法多先进，而在对现场环境的理解和持续运营的耐心。
本文关键词：AI质检,机器视觉,智能制造,AI落地
相关推荐
案例复盘 · 2026-09-10
案例复盘：某城商行AI智能风控平台建设纪实
案例复盘 · 2026-06-30
案例复盘：某城商行智能风控平台上线与分行复制
案例复盘 · 2026-03-28