夜班灯下的漏检单：人工智能产业应用在车间里到底卡在哪
九月二十三号晚上十一点，南京江宁一家做精密连接件的厂，质检台的灯白得发冷。一个姑娘盯着金属端子，翻面，再看。她手边压着一张漏检单——客户退回来三颗，表面有细划痕。产线主管骂骂咧咧：AI项目不是上了吗？怎么还漏？我在旁边有点尴尬。说实话，人工智能产业应用在车间里经常被这么误会：大家以为买来一个模型，插上电，灯一开，良率就往上走。哪有这种好事。
我跑过几条产线，做视觉检测的落地。这个切口不热闹，但特别真实。工业质检里的人工智能，不是聊天机器人，也不是发布会大屏。它像给产线加一副眼镜，还得有人不断擦镜片。今天就把这层窗户纸捅开，看看它怎么运作，卡在哪，哪些锅不该它背。
车间不关心模型多大，只关心漏检那一下谁背锅
先看痛点。精密件的外观缺陷，划痕、凹坑、毛刺、脏污、压伤，很多都小得离谱。零点二毫米的划痕，在光下像一根头发丝。传统机器视觉靠阈值、模板、边缘检测，规则写得很细。问题是——换一批材料，反光变了；换一个供应商，油污变了；模具磨损一点，压痕形态也变了。规则像旧地图，路一改就迷路。
人工智能视觉检测换了个路子。相机拍图，光源打亮，图像送进卷积神经网络，也就是常说的CNN。别被名字吓到，它干的事有点像老师傅带徒弟：不给一大本规则，给一箱坏件，让模型自己学纹理、边缘、颜色分布里的模式。分类模型判断有没有缺陷，分割模型把缺陷区域涂出来，检测模型框出位置。产线节拍快，推理一般放在边缘计算盒里，靠近相机，不走远路。
工业质检人工智能金属零件表面缺陷检测场景
听起来顺。真到现场，麻烦从相机触发开始。相机触发早半毫秒，图就虚；光源角度偏五度，划痕消失；镜头有灰，模型把灰点当凹坑。你说这是算法问题？一半是。另一半是光学、机械、节拍、标注、流程。车间不关心你模型参数量多大，只关心漏检那一下谁背锅。对吧，很现实。
我见过一个案例。铝件表面有油污，模型把油污判成划痕，过杀率飙上去。工人复判到崩溃，直接把报警关了。后来不是换模型，是先改光源——加偏振片，把反光压下去；再补两百张油污样本，标签里明确“油污不算划痕，但影响判定区域”。一周后报警量降下来。你看，人工智能产业应用不是买算法，是改流程。这句话有点糙，但我认。
模型学会看缺陷之前，先得有人把缺陷说清楚
标注这事，外行觉得简单：有缺陷画框，没缺陷跳过。真做起来，吵翻天。划痕多长算缺陷？浅到肉眼要侧光才看见的算不算？油污擦得掉，算外观不良还是清洁问题？同一个件，甲标注员画了三毫米，乙画了五毫米，丙说这不是划痕，是模具压痕。模型不傻，它会被这些矛盾搞晕。垃圾进，垃圾出。老话难听，准。
所以落地里有个脏活：定义缺陷。把质检标准从“看着不舒服”翻译成可操作的边界。比如某连接器端子，划痕长度超过零点二毫米且露出底材，判NG；轻微压痕不影响插拔，判OK但记录。这个定义得让工艺、质量、客户、产线一起点头。否则模型今天学一套，明天换个人又改一套，漂移得没边。
样本少也是硬骨头。缺陷不是每天都有，有的批次几百件里挑不出几个坏件。怎么办？数据增广能补一点，旋转、亮度扰动、局部遮挡，但不能瞎补。异常检测也能用：只学好件长什么样，偏离太大的报警。可异常检测的误报也烦人。现场通常是人机协同：模型先筛，疑似的推给复判台，工人看大图，点确认或驳回。驳回的图回流，变成下一轮训练数据。这个闭环才是现场的地基。
工厂产线边缘计算盒部署工业质检人工智能示意图
还有个误解得掰扯：AI不是“取代质检员”。至少在我看到的产线，它把质检员从盯每一颗件，变成处理异常、复判边界样本、维护标准。人还在，角色变了。想一步到位无人化？先问问客户能不能接受漏检风险。出了客诉，赔的是真金白银。
上线那天，麻烦才刚开始
上线那天，麻烦才刚开始
实验室里指标好看，不代表产线买账。上线那天，相机、光源、可编程逻辑控制器PLC、边缘盒、生产执行系统MES，全得对上。模型输出一个NG信号，得让产线在合适工位剔除；信号早半秒，剔除错件；晚半秒，堆料。通信延迟、信号触发、相机曝光，这些词不性感，但能把你折腾到半夜。还有散热。边缘盒塞在电柜里，夏天烫手，风扇一停，推理掉帧。你说AI产业应用，结果卡在风扇上，气不气？
模型本身也会老。换批次、换模具、换季节，光照和表面状态变，数据分布就漂。今天准，过两个月开始误报。怎么办？定期抽检、监控置信度分布、保留复判回流、版本可回滚。别指望一次训练管三年。产线是活的，模型也得跟着活。
风险也得说清楚。过杀率高，工人不信，直接关报警；漏检率高，客诉上门。缺陷定义模糊的品类，比如纹理、色差、手感相关的，AI落地要谨慎。高速产线、极小缺陷、强反光材质，也不是一句“上深度学习”就能解决。还有数据合规和现场安全：图像里可能带工艺参数，别乱传公网；模型误判导致机械动作，要有急停和人工确认。
边界和误区：别让AI背锅
边界和误区：别让AI背锅
常见误区有几个。以为模型参数多就管用？现场先看节拍和稳定性，模型合适就行。以为标注越多越好？错标一堆，不如精标一批。以为上线就结束？运维才是长跑。以为AI能理解“划痕”的人类含义？它学的是像素统计和模式，换个光照就可能犯傻。说白了，它是个很认真的近视眼，得靠光源、镜头、样本和流程帮它看清。
那人工智能产业应用在质检里到底值在哪？值在把重复、疲劳、主观波动大的环节稳住。夜班人眼会花，模型不会花；但模型不会解释客户投诉，人得会。边界就在这：让机器做它擅长的筛查，让人守住标准和责任。别把“智能”两个字挂墙上就完事。回头看那张漏检单——它提醒的不是模型多差，而是从相机到标注到复判，哪个环节在漏气。
灯还亮着。姑娘把复判台上的疑似图一张张点过去，旁边工程师在调光源角度。产线没停。这才是人工智能产业应用在车间里的样子，不浪漫，但有用。