当前位置:首页 > 科研成果库

人工智能产业应用落地:模型不贵,贵的是那堆没人愿意标的图

2026-11-22 08:21:49小研科研成果库9

上个月去江宁一家做精密结构件的厂子。车间里轰隆隆的,线尾架着两台工业相机,旁边坐着一位老师傅,眼睛盯着屏幕上的灰度图找划痕。

我问他,不是说上了AI质检了吗。

他把保温杯往桌上一磕:上了啊。就是老误报,一天得点掉两百多次报警,烦得很。

这句话听着像随口吐槽,其实差不多就是眼下人工智能产业应用挺真实的那一面——网上聊的是参数、算力、发布会,车间里卡住项目的是光照、节拍、标注,和一堆琐碎到不像技术的活儿。

我做过几个视觉质检的落地项目。真正死在“模型精度不够”上的,远少于死在“没人愿意标数据”上的。

工厂产线机器视觉工业相机缺陷检测现场工厂产线机器视觉工业相机缺陷检测现场

模型那一环,其实花不了几个钱

先讲讲这东西怎么跑起来的,尽量说人话。

工业质检用的多半是卷积神经网络,英文缩写CNN。你可以把它想成一摞筛子,图片从上面倒进去,每层筛子滤出一种特征——边缘、纹理、斑点,七八层摞下来,网络就能“看”出这块料上有个不规则的暗斑。它是分类还是检测,取决于任务:判断有没有缺陷,还是要把缺陷框出来、顺带量个尺寸。

关键在于,筛子的参数不是人写死的,是从样本里喂出来的。

这就麻烦了。

教一个老师傅的徒弟,给他二三十个坏件看看,说说这是划伤、这是压痕、这是氧化,差不多就能上手。神经网络不行。它没有常识,只能从数据里统计规律。你要它认得一种划痕,可能得给它几百张甚至上千张同类的坏件照片,还得有人一张一张把缺陷框准。

框准这件事,比听起来难。边缘模糊的算不算?两毫米的算不算?批次之间色差导致的“假缺陷”要不要标成负样本?标注规则扯不清,模型学出来的一定是浆糊。

而且这里有个绕不过去的坑:数据分布漂移。换一批原材料、换一盏灯管、相机镜头上落了点油污,图像的统计特征就变了,昨天还好用的模型今天就开始抽风。不是模型坏了,是它见过的那个世界变了。

那钱到底花在哪了

拆开讲,一个视觉质检项目,成本大概分这么几块。

相机、镜头、光源、工控机、边缘算力盒子,硬件。这部分是明码标价的,好算。

数据采集和标注。这部分不太可控。产线上坏件本来就少,良率高的线,一天可能就出几个次品,攒够训练样本要等好几个月。你等不起,就得人为造缺陷——拿砂纸蹭、拿针划、拿夹具压。造出来的和真的有多像?重在掺和。

然后标注。一个人一天认真框图,撑死几百张,还得有人复核。一张图几分钱到几块钱不等,看缺陷多复杂。听着不多,乘以几万张、乘以几个缺陷类别、再乘以产线数量,就不是小钱了。更何况标错了还得返工。

再往后是工程化的脏活:光照重新设计、相机标定、节拍匹配、模型压缩、边缘部署、跟MES系统对接、报警分级、误报的闭环回收。

顺便说下延迟这件事。产线一秒走过好几个件,推理必须在本地跑,几十毫秒内出结果。把图像传云端推理?网一断,产线就停了。所以边缘侧部署是标配,模型还得做量化、剪枝,砍到能塞进小盒子里跑得动。

你看,这里面有多少是“AI”,又有多少是别的东西。

一个有意思的变化:大模型进来干复判

一个有意思的变化:大模型进来干复判一个有意思的变化:大模型进来干复判

这两年多模态大模型起来了,很多人第一反应是“用它替代小模型”。不现实,太慢太贵。

但它在另一个位置上站住了:复判。

思路是分层。规则清晰、样本充足的缺陷,交给小模型在边缘跑,快、稳、便宜。小模型拿不准的那一小撮——大概占百分之几——推到后台,让多模态模型看一眼,结合工艺参数和文本描述,给一个“疑似压痕,建议复检”的判断,甚至能回答老师傅一句“这块为什么判NG”。

对人来说,工作就从“盯着屏幕点掉两百次报警”,变成了“看十几条挑出来的疑难件”。体验完全不一样。

这里我得泼盆冷水。大模型会一本正经地说错话。把它的输出直接接进控制逻辑去剔除产品,风险自负。它适合当顾问,不适合当扳机。

什么时候不该上,这也得说清楚

我见过一些项目,一开始就不该立项。

一种是缺陷定义本身就模糊。什么叫“外观不佳”?老师傅之间都吵不出统一标准,你让机器怎么学。先把标准写成人能执行的规则,再谈AI。

一种是批量太小、换型太频繁。今天做A款明天做B款,每款样本都攒不够,模型刚训热乎就换产品了。这种场景,传统视觉算法加人工可能更划算——不是所有问题都值得动用神经网络。

还有一种,误报的代价被严重低估。方案书上写个“准确率99%”就完事了,可产线上的账不是这么算的。漏检一个致命缺陷,可能赔进去一台车;误报一次,只是让工人多看两眼。两个方向的代价差着好几个数量级,阈值往哪调,是业务问题,不是算法问题。所谓99%,得先问清楚是在什么样本分布下、对哪一类缺陷、按什么代价函数算出来的。

另外,“AI替代质检员”这个说法,我一般不接。现实里跑得好的线,人并没有少,只是岗位换了——从重复目检,变成处理疑难件、维护标注规则、盯着模型衰减。模型不会自己变老,但数据会。不持续喂新样本,半年之后它的表现一定会往下掉。

工业质检缺陷样本标注分类软件界面工业质检缺陷样本标注分类软件界面

回到那个车间。老师傅后来调岗了,带两个年轻人做缺陷样本库,顺手把标注规范写成了一本小册子。他跟我说,这活儿比看屏幕累,但眼睛舒服多了。

我觉得这句话,比任何一份技术白皮书都更接近人工智能产业应用的真面目。技术走到车间里,最后拼的往往不是谁的网络更深,而是谁肯把那些不性感的事——标数据、定标准、修灯、跑闭环——一件一件做完。

做不完,模型再漂亮也就是个演示。