工业质检的账怎么算:三类场景、两笔成本、一个前置条件
在制造业的所有 AI 场景里,视觉质检是最先被立项的:结果可量化(漏检率、误检率、复判工时),单点改造不影响整线,投入产出能在一条产线上算清。但它也是失败率最高的场景之一,原因通常不在模型。
三类场景,成熟度不同。表面缺陷(划伤、脏污、压伤)用 2D 视觉已相对成熟;尺寸与装配类(错装、漏装、间隙)需要 3D 或结构光配合;内部缺陷(气孔、裂纹)依赖 X 光或超声,样本稀缺,仍处在验证期。把三类混在一个项目里立,是常见的第一个错误。
两笔成本要一起算。一次性投入包括采集工装、标注、边缘工控机与产线停机改造;经常性成本包括模型迭代、复判人力,以及误检导致的停线损失。公开案例中漏检率可下降 30%–70%,但误检率每上升 1 个百分点,复判工时可能吃掉一半收益——这也是「演示很准、上线很亏」的主要来源。
一个前置条件:缺陷样本。没有历史缺陷库的工厂,先做三个月数据积累再谈模型,比直接采购算法更省钱。样本的一致性与标注口径,决定了模型能不能跨产线复用。
判断标准。客户是否愿意把质检结果写进出货判定。如果质检科仍要全检复核,说明项目还停在演示阶段,此时的 ROI 测算没有意义。