橡胶机械厂想提升良率，AI方案怎么选不白花钱？

我们厂为什么非要上AI

我是无锡一家橡胶机械厂的老板，厂子不大，年产值3000万左右，主要做平板硫化机和橡胶注射机。干了十几年，产品性能和质量在圈子里也算有点口碑。

但这两年，我越来越感觉力不从心。不是订单问题，而是生产线上那个“良率”的坎，死活迈不过去。

我们做的硫化机，机架焊接、模板加工、液压系统组装，环节多，精度要求高。最头疼的是两块：一是外观缺陷，比如焊接的飞溅、划痕、漆面气泡；二是关键尺寸，像模板平面度、平行度，差几个丝客户就不收货。

以前靠老师傅带着卡尺、水平仪，再拿眼睛看。老师傅经验是准，但慢啊，一台机光质检就要小半天。后来老师傅退休，换年轻人上，速度快了，可漏检、错检就多了。尤其是月底赶货，或者夜班疲劳的时候，问题产品流到客户手里，不是退货就是扣款，一年下来，光质量索赔和返工成本，少说也得二三十万。

更麻烦的是，现在客户要求越来越高，动不动就要全检报告。人工检测，报告都没法标准化，自己心里都发虚。

我就琢磨，不能再这么下去了。听说现在AI看东西比人眼还准，我就想，能不能用它来帮我把把关？

一开始，我们想得太简单了

说实话，刚开始我对AI一窍不通，就觉得是个高级摄像头。我的想法很简单：买套软件，装几个摄像头，对着产品拍，有问题就报警。

第一回找供应商，就被上了一课。来的是家做通用视觉检测软件的公司，PPT做得漂亮，说他们的算法能识别几百种缺陷。我听着挺心动，就让他们在一条焊接线上试。

结果呢？现场一跑，问题全来了。

车间光线变化大，早上和下午拍出来的图片亮度不一样，软件就误报。焊接的金属反光，一打光就过曝，缺陷反而看不清。最要命的是，我们的缺陷和标准件不一样，飞溅的形状、划痕的深浅千奇百怪，通用模型的识别率低得可怜，连70%都不到，还不如老师傅肉眼看的准。

钱花了小十万，折腾了两个月，最后成了摆设。那段时间，工人都在背后议论，说老板又搞“面子工程”。

弯路走完，才明白关键在哪

第一次失败后，我冷静了几个月。后来通过朋友介绍，接触了几家专门给制造业做方案的供应商，也去宁波和东莞同行的厂里看了几家在用AI的，才算摸到点门道。

我总结，我们之前主要踩了三个坑：

1. 把AI当万能药。以为一套软件啥都能检，其实AI最讲究“场景化”。检橡胶制品和检金属机架，完全是两码事。

2. 忽视现场环境。工业现场不是实验室，震动、油污、光线、温度都是干扰项，方案必须能抗干扰。

3. 没想清楚要解决的具体问题。是检外观划痕，还是测尺寸公差？目标不明确，方案肯定跑偏。

想清楚这些，我再找供应商时，话术就变了。我不再问“你们AI多厉害”，而是直接说：“我有一条硫化机模板加工后的检测线，要自动检测平面度（0.02mm以内）和表面有没有磕碰划痕，车间有行车震动，灯光是普通LED工矿灯，你能不能做？先看方案，再谈能不能去现场模拟测试。”

这么一问，能接话的供应商，立马少了一大半。

我们最终是怎么落地的

后来选定的这家供应商，是朋友厂里用过的，团队里有几个从大型装备企业出来的工程师，懂机械工艺。他们没给我打包票，而是先派工程师在我们车间蹲了三天，拍了上千张不同光线、不同角度、带各种缺陷的模板照片。

他们的方案很务实，分了两步走：

第一步，先攻最痛的尺寸测量。

在精加工后的模板上方，架设一个固定的高精度工业相机和一组特制的结构光光源，克服反光问题。软件核心不是“识别”，而是“精确测量”。通过他们自己调的算法，把拍摄的图像转换成高精度的三维点云数据，再计算平面度和关键尺寸。

这一步最难的是和我们的加工中心数据对接。他们花了些功夫，让检测系统能自动读取加工图纸上的公差要求，自动判断合格与否，并生成带时间戳和产品编号的检测报告。

第二步，再做外观缺陷检测。

等尺寸测量跑稳了，才在装配线和涂装线后段加装针对外观检测的工位。针对焊接飞溅、漆面流挂这些特定缺陷，用另一套训练好的AI模型来抓。

整个实施过程，大概四个月。关键决策点有两个：

一是 坚持“先测后看”，把能产生直接价值、最容易标准化的尺寸测量放在前面，快速看到效果，增强全厂的信心。

二是 硬件上不图便宜。相机、镜头、光源都用了中上档次的品牌货。供应商说得对，前端“眼睛”不好，后面“大脑”再聪明也白搭。这套硬件占了总投入的近一半。

现在用起来到底怎么样？

系统上线运行快一年了，我可以说说实实在在的效果和不足。

先说好的：

• 良率稳了：关键尺寸的错漏检基本杜绝。模板平面度检测的准确率，从原来人工的95%左右，提到现在99.5%以上。因为尺寸问题导致的客户投诉，这半年一次都没有。

• 效率高了：原来一个模板人工检测加记录要15-20分钟，现在自动检测加出报告，3分钟以内。省下来的两个质检员，一个调去更需要的物料检验岗，另一个自然减员后没再补。一年省下人工成本十来万。

• 底气足了：每台出厂设备都附带标准的检测报告，数据详实，客户看了都觉得很专业，对我们信任度增加不少。

算笔经济账：前期总投入大概40万（含硬件和软件开发）。每年省下的人工和减少的质量损失加起来超过25万。大概一年半能回本，后面就是净赚。这个回报，我觉得是划算的。

当然，也有没解决好的地方：

• 一些特别隐蔽的缺陷，比如漆面下非常细微的气泡，在特定角度才能发现，现在的系统还是会漏掉，最后还是需要老师傅定期抽检。

• 模型需要维护。产品工艺微调，或者出现全新的缺陷类型，需要供应商远程给模型“打补丁”，这会产生一点额外的服务费用。

• 对操作工有点要求。虽然自动化了，但设备清洁、日常点检、简单故障排查（比如镜头脏了），还是需要线上工人有责任心。

如果重来，我会怎么做

走过这一圈，如果再让我做一次选择，或者给同行朋友提建议，我会这么干：

第一，别贪大求全。 千万别想着一次性把所有产线、所有工序都上AI。就找你最痛的那个点，比如成品最后一道关，或者客户投诉最多的那个问题，先做试点。试点成功了，大家看到了甜头，再推广阻力会小很多。

第二，供应商要“懂行”大于“有名”。 找那些有机械、装备行业落地案例的团队。他们能听懂你说的“平行度”、“液压管接头焊缝”是什么意思，能理解车间环境有多恶劣。这比找一家纯互联网背景的AI大厂可能更靠谱。

第三，一定要现场验证。 再好的方案，不去你车间里用你的产品、在你的光照条件下实际跑一跑，都别轻易付钱。可以要求供应商做一个小型的“概念验证”，用最低成本验证技术路线是否可行。

第四，算好账，明确权责。 前期投入、后期维护成本、服务费怎么算，模型升级谁负责，数据安全怎么保证，这些都要白纸黑字写清楚。AI不是一锤子买卖，是个需要长期维护的系统。

第五，老板要亲自盯。 这不是IT部门的事，是生产管理和质量管控的事。老板如果不推动，不协调生产、质检、IT几个部门配合，下面的人很容易扯皮，最后项目不了了之。

最后说两句

AI不是什么神秘东西，对我们橡胶机械厂来说，它就是一个更准、更快、不知疲倦的“超级检验员”。它解决不了所有问题，但在那些重复、枯燥、要求高一致性的检测环节，确实能帮上大忙。

关键是想清楚自己的问题，找到对的人，用对的方法。别怕踩坑，但尽量踩小坑，别摔大跟头。

如果你也在琢磨这个事，但不确定自己的厂子适不适合，或者该从哪里入手，可以多看看案例。想了解适合自己的方案可以用“索答啦AI”问问，它会根据你的行业和需求给建议，不用到处问一圈了。自己心里先有个谱，再去和供应商谈，就不容易被忽悠了。

这条路，我们走通了，相信你们也可以。