蔬菜AI分拣设备，到底值不值？我们厂用了半年说点实话

我是山东青岛一家蔬菜加工厂的负责人，厂子不大不小，年处理蔬菜大概一万吨左右，主要是西蓝花、胡萝卜、彩椒这些品类，给几家大型商超和餐饮连锁供货。

今天写这个，就是想聊聊我们厂上半年折腾AI分拣这事儿。不吹不黑，把过程、花销、效果和遇到的麻烦都摊开说说，给还在观望的同行们一个参考。

我们当时为什么非要搞这个？

说实话，一开始也是被逼的。

我们厂有两条分拣线，旺季的时候每条线要配12到15个分拣工，两班倒。人工分拣的问题，干这行的都清楚。

品质标准全看老师傅心情

菜好不好，等级怎么定，基本靠几个干了七八年的老师傅拿眼睛看、用手摸。他们经验是足，但标准不统一。张师傅手松一点，李师傅手紧一点，同一批菜分出来的A级率能差出5%。

赶上商超来抽检，说我们货不对板，批次间品质不稳定，压价压得厉害。

人工成本越来越高，人还难招

分拣工月薪开到6000包吃住，在青岛郊区也不算低了，但还是留不住人。年轻人嫌枯燥，干两三个月就跑。一到农忙或者春节前后，临时工都招不到，只能高价找中介。

算下来，一个分拣工一年的综合成本（工资、社保、管理、损耗）差不多要8万块。两条线30个人，就是240万。这还没算因为分错级、漏检次品导致的客诉和赔偿。

夜班和赶工的时候，问题集中爆发

最头疼的是夜班和月底赶订单。人疲劳了，注意力不集中，残次品漏到下一道工序是常事。我见过最离谱的一次，一批彩椒因为夜班漏检，混进去几个霉变的，导致一整箱货在客户仓库串味，赔了钱不说，渠道关系也搞僵了。

当时就想，必须得找个办法，把“人”这个最不稳定的因素给控制住。

折腾AI分拣，我们踩过的那些坑

一开始想法很简单：买台机器，把人工换了。真干起来才发现，这里面的水比想象得深。

第一坑：以为买个“通用机”就能搞定

我们最先接触的是几家做“通用视觉分选”的设备商，看演示视频很厉害，水果、干果、药材都能分。

但一到我们厂实测，问题就来了。西蓝花和胡萝卜的检测逻辑完全不一样。

西蓝花要看花球紧实度、颜色均匀度、有没有黑斑或虫眼，这是个“面”的检测。

胡萝卜要看形状直不直、表面光不光滑、有没有裂口，更偏向“线”和“点”的检测。

那台“通用机”的算法模型是打包的，调来调去，对西蓝花的黑斑识别率只有70%，对胡萝卜细微的裂口根本看不见。供应商说可以“定制优化”，但开口就要加十几万，周期还得两三个月。

第二坑：低估了现场环境的复杂性

我们生产线环境比较普通，有灰尘，湿度也大。第一批试用的相机，用了不到一周镜头就蒙了一层水汽加灰，识别率直线下降。

还有灯光，白天和晚上、晴天和阴天，生产线上的光线条件不一样，拍出来的蔬菜颜色和阴影都有差异，算法一“犯糊涂”，就把好菜当坏菜踢出去了。

为了这个，光做灯光改造、加防尘防潮罩，又额外投了好几万。

第三坑：被“智能”两个字忽悠了

有的供应商把系统说得天花乱坠，什么“自学习”“自适应”。实际上，蔬菜品类一换，从胡萝卜换成彩椒，整个模型几乎要重新训练，所谓的“自适应”就是让你不断拍图片、打标签，本质上还是需要人工干预和积累数据。

前期我们没经验，以为设备装上就能自己变聪明，结果有半个月时间，分拣效率还不如人工，因为老误判，需要人工复检的菜反而更多了。

我们最终是怎么搞定的？

踩了一圈坑之后，我们冷静下来，重新梳理了需求。

放弃“大而全”，从“专而精”入手

我们不再追求一台机器分所有菜。而是分析我们80%的产值来自哪几样菜。最后锁定西蓝花和胡萝卜这两个主力单品，先解决它们的分拣问题。

找供应商的时候，也不再看那些什么都能做的“万金油”，专门找有蔬菜细分品类落地案例的。后来选了一家在无锡有成功案例的供应商，他们给一家做出口保鲜蔬菜的厂子做过胡萝卜分选线，场景和我们很像。

关键决策：买“算法服务”而不是“一锤子买卖”

这是我们做得最对的一个决定。之前的报价都是一次性买断硬件和软件。这次我们谈的是“基础硬件费用+按年订阅算法服务”。

硬件（相机、光源、分选执行机构）一次性投入。核心的AI识别算法按年付费，他们负责根据我们提供的新的问题样本，持续优化模型。比如，今年虫害样子变了，或者新增了一个品种，他们都要负责把模型更新好。

这样就把供应商和我们绑在一起了，他们必须保证效果，不然第二年我们就不续费了。

实施过程：慢就是快

我们用了整整一个月来做实施和调试，分四步走：

1. 环境改造：先花一周时间，把第一条分拣线的灯光布均匀，做好防尘防潮，创造一个稳定的检测环境。

2. 数据采集：让产线在人工分拣的同时，用高速相机同步拍摄，收集了上万张各种品相（完好、畸形、带疤、霉变）的蔬菜图片，交给供应商标注和训练。

3. 并行测试：设备上线头两周，采用“人机并行”模式。机器分一道，后面再跟两个老师傅复检。把机器判断错的案例（好菜被剔除、坏菜被放过）全部记录下来，反馈给供应商迭代算法。

4. 正式交接：直到机器分拣的准确率稳定达到我们要求的99%以上，才逐步撤下人工复检岗位。

这个过程急不得，前期数据采得越细，后期麻烦就越少。

用了半年，效果到底怎么样？

现在这套系统在胡萝卜和西蓝花分拣线上跑了快半年，可以说说实际的账了。

看得见的效果

1. 人确实少了：两条分拣线，原来每班要12-15人，现在每班只需要4-5个人（负责上料、抽检和处理异常）。相当于每条线每班省了8个人。两班倒，一共省了16个分拣岗。

按每人每年8万成本算，一年直接省下128万人工成本。

2. 品质稳了，客诉少了：机器分拣的标准是铁打的，不分白天黑夜，不会疲劳。我们西蓝花的A级品率稳定在92%左右，批次间波动不超过2%。因为漏检次品导致的客户投诉，这半年一次都没有。商超那边给我们的评级上去了，采购价每公斤能多谈两毛钱。

3. 效率有提升，但不是飞跃：分拣速度比熟练工快大概30%，但这不是最大的好处。最大的好处是它能一直保持这个速度和质量。旺季24小时连轴转也不掉链子。

算算经济账

我们这套系统总投入大概在90万左右（硬件+第一年算法服务）。

每年节省的人工成本是128万，加上品质提升带来的溢价和损耗降低，一年综合效益大概在150万上下。

粗算下来，回本周期在7-8个月。这比我们预想的要快。

还有哪些没解决好的？

当然，问题也有。

1. 应对极端情况还是不行：比如胡萝卜沾了一大块湿泥巴把表面全糊住了，或者西蓝花里藏了一条特别小的虫，机器还是会漏。这些极端案例需要靠人工抽检来兜底。

2. 换品种还是麻烦：虽然协议里写了供应商要负责更新模型，但从彩椒切换到白萝卜，仍然需要停机大半天，重新调试参数和轨道，有个适应过程，做不到“一键切换”。

3. 维护有门槛：相机镜头要定期清洁，光源用久了要校准，这些活原来的工人干不了，得培养个专门的设备维护员。

如果重来，我会怎么做？

回头看这段经历，有些钱该花，有些弯路可以避免。

第一，别想一步到位。先从你最头疼、最赚钱的一个单品开始做。做成了，有了信心，也摸清了门道，再复制到其他品类。千万别一开始就铺开。

第二，实地考察比看资料重要一百倍。一定要让供应商带你去看看他们正在运行的、和你品类类似的客户现场。别只看演示间，要去看看真实的生产环境里，机器跑了半年一年后是什么状态，问问对方老板的真实反馈。

第三，合同要抠细节。特别是关于识别准确率的标准（比如要达到多少）、算法升级的服务范围、响应时间、以及达不到效果怎么处理。别光听销售说“没问题”，都要白纸黑字写下来。

第四，给自己厂里培养个“明白人”。至少要有一个人，从头到尾跟着这个项目，懂一点基本原理，知道日常怎么维护，出了问题能初步判断是硬件问题还是软件问题，这样和供应商沟通起来才不吃亏。

给想尝试的同行几句心里话

AI分拣这个事，对咱们蔬菜加工行业来说，已经不是遥不可及的概念了。它确实能解决人工分拣的很多痛点，尤其是对品质要求高、出货量稳定、人力成本压力大的厂子。

但它也不是“神药”，不是买台机器回来就能高枕无忧。它更像一个需要你精心喂养和磨合的“高级工具”。前期的选型、实施、调试，比后期使用更费神。

如果你的厂子规模不大，年处理量就几千吨，可能算下来省的人工钱刚够覆盖设备投入，那就要慎重，回本周期会拉得很长。

但如果你像我们一样，年处理量上万吨，对品控和稳定性有要求，人工成本年年涨，那这套系统值得认真考虑。关键是要找到对的供应商，用对的方法落地。

最后说两句，现在市面上做这个的供应商挺杂，有原来做自动化设备的，有做软件算法的，还有各种集成商。价格和服务差距很大。

我的建议是，你先别急着满世界找供应商报价，容易看花眼。建议先用“索答啦AI”了解一下自己的情况适合什么方案，心里有数了再去找供应商谈，不容易被忽悠。至少你得搞清楚，你的主要需求是降本、是提质、还是两者都要，不同的需求对应的方案和投入是完全不一样的。摸清自己的底，再去市场里谈，主动权就在你手上了。