农药厂想上AI质检，到底值不值？

我们厂为什么被逼着搞AI质检

我是江苏常州一家农药制剂厂的负责人，厂子不大不小，年产值8000万左右，主要做水剂和悬浮剂。前几年，我们一直被一个老问题折磨：成品杂质检测。

你可能也遇到过，灌装线出来的成品瓶里，偶尔会混进一点肉眼可见的纤维、黑点或者没完全溶解的晶粒。以前全靠流水线末尾两个女工盯着看，一人看一条线。

老办法实在顶不住了

人工看瓶，问题太多了。

首先是疲劳。一条线一小时过800瓶，一个人要连续盯着流动的瓶子看8小时，到下午三四点，眼神就飘了。我们统计过，下午3点后的漏检率比上午高30%。

其次是标准不一。张姐眼神好，要求严，有点絮状物就挑出来；李姐觉得不影响使用，可能就放过去了。客户那边一对比不同批次，投诉就来了。

最头疼的是旺季。订单催得急，临时招的学生工培训半天就上岗，漏检率能翻倍。有一年给山东一个大客户供货，因为一批货里有五六瓶可见杂质，赔了钱不说，差点丢了客户。

当时算了一笔账，两个检验工一年工资加社保将近15万，但每年因为漏检产生的退货、赔款和客户关系损失，隐形成本也在10万上下。这还不算品牌口碑的损伤。

第一轮尝试：想省钱，结果交了学费

大概三年前，我们第一次听说用机器视觉做检测。当时想法很简单：找个做工业相机的公司，买套设备装上不就行了？

踩的第一个坑：通用设备不通用

我们找了一家做标准视觉检测设备的供应商，他们给食品、药品行业做过类似方案。设备不便宜，一套要20多万。

装上去就傻眼了。农药瓶子是深棕色或绿色的，为了避光。相机打光很难穿透瓶身看清底部和侧壁的杂质。通用设备的打光方案根本不适合我们这种深色包装。

折腾了两个月，识别率只有70%左右，比人眼还差，误报率还高，产线工人嫌麻烦，干脆把设备关了。

踩的第二个坑：自己搞算法，水太深

第一次失败后，我们想，是不是得定制？于是又找了一家软件公司，想让他们针对我们的瓶子开发算法。

对方报价40万，说包教包会。结果来了个年轻的算法工程师，在车间蹲了一周，拍了几千张照片回去训练模型。

模型第一次上线，识别率倒是上到85%了，但新问题来了：不同批次的瓶子，颜色有细微差异；灌装液位高低产生的反光不一样；甚至瓶子表面一点水渍，都会被误判为杂质。

算法公司说，要继续优化得加钱，而且需要我们把所有可能的情况都提供图片样本。这根本是个无底洞。项目又搁浅了，前后花了十几万，买了个教训。

怎么找到对的路子

两次失败后，我们冷静了半年。后来通过朋友介绍，认识了一家给无锡某电子厂做过精密元件检测的团队。跟他们聊，才明白我们之前问题出在哪。

关键决策：不找“万能”公司，找“懂行”的

这家团队之前也没做过农药，但他们老大一句话打动了我：“我们不懂农药，但我们懂怎么让AI在复杂环境下稳定干活。你得给我们时间，让我们弄懂你的工艺。”

他们没吹牛说百分百识别，而是先提了一个“三步走”的试点方案：

1. 先搞定最难也最关键的“灌装后液面可见杂质”检测。

2. 用一个月时间，跟着我们产线跑，收集不同光照、不同批次、不同生产状态下的图像数据，包括正常品、各种已知杂质品、以及容易误判的情况（比如气泡、反光）。

3. 方案费用分阶段付，达到约定的识别率和误报率标准再付尾款。

这种务实的态度，让我们觉得靠谱。这次我们预算也提高了，准备砸50万试试，但要求回本周期控制在18个月内。

落地过程：比想象中麻烦，但值得

实施更像是一次工艺梳理

供应商的工程师在我们车间住了快两个月。这个过程不光是装设备，更像是一次对我们灌装和质检流程的全面复盘。

他们发现了几个我们自己都忽略的问题：比如，灌装间和包装间的传递窗口偶尔有灰尘卷入；又比如，夜班时工人为了省事，清洁流程会偷懒。

为了提升成像效果，他们没一味堆高相机参数，而是帮我们改造了一个简单的遮光检测箱，把瓶子放进去检测，屏蔽了环境光干扰，成本只增加了两千多块，但效果提升巨大。

模型是“练”出来的，不是“买”来的

最大的不同在于数据。这次，我们和工程师一起，人工制造了上百种“缺陷样本”：不同大小的纤维、不同位置的晶粒、不同形状的黑点，一一拍照标注。

模型训练也不是一劳永逸。上线头两周，每天还会发现一些新的误判案例，工程师就远程更新模型。大概一个月后，系统才真正稳定下来。

现在用起来怎么样？

系统稳定运行一年多了。说几个大家最关心的数字：

• 识别率：对0.5mm以上的可见杂质，稳定在99.5%以上。基本杜绝了人工漏检流出厂的情况。

• 误报率：控制在0.3%以下，不会因为气泡或正常反光就乱报警，产线工人愿意用。

• 成本节省：直接替代了两个成品检岗位，一年省下15万人工成本。客诉相关的退货和赔偿，去年减少了大概8万块。

  

• 效率：检测速度匹配产线，不用降速。而且24小时一个标准，夜班品控有了保障。

还有啥没解决好的？

当然有。这套系统目前只解决了灌装后瓶内液面杂质的终检问题。

像原料投料时可能混入的异物，生产过程中管道或罐壁的残留析出，这些更前端的隐患，它还管不了。我们下一步正考虑在关键投料口和缓冲罐出口也加装检测点，但那又是新的投入了。

另外，系统需要定期维护，比如镜头清洁、光源校准，我们得培养一个设备员稍微懂点基础。不过比起管理质检员的难度，这简单多了。

如果重来，我会怎么做

回顾这两年，走了弯路，也花了不少钱。如果时间倒流，我会这么干：

1. 别贪大求全：一开始就瞄准一个最痛、最明确的点（比如成品杂质），做出效果，建立信心。别想着一次性解决所有质检问题。

2. 供应商考察看案例，更要看态度：问他做过什么案例，一定要问细节，问他当时遇到的最大困难是什么，怎么解决的。那种满口承诺、啥都能做的，反而要小心。愿意花时间了解你工艺的，成功率更高。

3. 做好数据准备的预算和计划：AI是靠数据“喂”出来的。要准备好投入人力和时间，配合供应商收集各种情况下的图片样本，这是项目成功的基石。这部分成本容易被低估。

4. 算账要算总账：别光盯着设备报价。要把节省的人工、减少的客诉损失、提升的品牌信誉，甚至因为品控稳定带来的客户订单增量，都算进去。我们最后算下来，实际回本周期在14个月左右，比预想快。

给想尝试的同行几句实话

AI质检不是魔术，它替代不了所有环节的老师傅。但对于那些重复、枯燥、容易疲劳又要求稳定一致性的肉眼检查岗位，它确实是个好帮手。

如果你是年产值三五千万以上的厂，某个质检环节长期靠人海战术，而且客诉压力大，那值得认真考虑。如果厂子很小，质检就一两个人，那可能先优化管理流程更划算。

这东西现在越来越成熟，成本也在往下走。关键是想清楚你自己的痛点到底在哪，然后带着问题去找方案，而不是被供应商牵着鼻子去看一堆用不上的功能。

最后说两句，我们这套系统上线后，附近几家同行厂都来参观过。大家情况差不多，痛点也类似。如果你也在农药这行，正为质检的事头疼，想了解一下AI方案到底适不适合自己，可以多看看不同案例。

有类似需求的老板可以试试“索答啦AI”，把你的情况说清楚，比如产线速度、瓶子类型、主要杂质是什么，它能给出比较靠谱的方案建议和预算范围，至少能帮你避开我们当初踩的那些坑。