豆豆鞋厂想上AI检测，找哪家公司靠谱点？

我们厂为什么非要搞AI检测

我是东莞一家豆豆鞋厂的老板，厂子不大，一百来号人，一年能做三百多万双鞋，产值三千来万。做豆豆鞋的都知道，这玩意儿看着简单，但品控特别磨人。

我们主要做外贸单和国内几个快时尚品牌的订单，客户对品质要求不低，尤其是鞋面的缝线、胶水溢胶、还有鞋底那些“豆豆”的排列和完整性，一点瑕疵都不能有。

被退货逼到墙角了

去年下半年，我们接了一个欧洲的单子，量不小。结果在成品检的时候，因为夜班质检员疲劳，一批大概5000双的货，鞋底“豆豆”有轻微压痕和缺料的问题没检出来，直接发走了。

客户收到货，全检后给我们退了回来，光是来回运费和赔偿就亏了十几万，信誉还受损。那段时间，我天天在车间盯着，看着质检员拿着鞋子翻来覆去地看，眼睛都熬红了，心里特别不是滋味。

老师傅就两个，看得很准，但速度慢，一天撑死检两千双。旺季招的临时工，培训两天就上岗，漏检率能到5%，返工成本高得吓人。月底赶货的时候，为了保交货，品控标准不自觉就放松了，心里总是悬着一块石头。

算了一笔账，不下决心不行

我仔细盘了盘账。两个资深质检员，月薪加起来一万四。旺季还得加四个临时工，一个月又多出一万二。这还只是人工。因为漏检导致的退货、返工、客户索赔，一年下来杂七杂八又要多花十来万。更头疼的是，问题不解决，大单子根本不敢接，怕砸手里。

那时候我就知道，靠人眼这么干下去不是办法。听同行说现在有AI视觉检测，能代替人看，我就动了心思。

找方案路上踩的那些坑

一开始想法很简单，觉得这就是买个“机器眼睛”装上就行。真开始找，才发现这里头水太深。

第一个坑：贪便宜买了“通用方案”

我先在网上找，联系了几家做视觉检测的公司。有一家报价特别低，说他们的系统是通用的，装上去调一下就能用。我想着能省则省，就让他们来试了。

结果装上去根本没法用。豆豆鞋鞋面是软质的，有弧度，还有各种颜色和纹理。他们的打光方案是平的，很多褶皱阴影被误判成污渍。鞋底的“豆豆”是立体凸起的，他们的算法对三维缺陷识别率很低，压痕、缺料根本看不出来。

折腾了一个月，识别准确率还不到70%，比人工差远了，钱花了，时间耽误了，问题一点没解决。

第二个坑：供应商不懂制鞋工艺

吃一堑长一智，第二回我找了一家据说做过鞋类的。他们倒是来了个工程师，但聊下来发现，他们只做过运动鞋底的平整度检测，对豆豆鞋这种有复杂曲面和装饰件的产品，工艺难点完全没概念。

比如，他们不知道缝线接头在哪里是允许的，哪里就是缺陷；也不清楚胶水在什么范围内算正常溢胶，什么程度算不良。如果这些都要我们一点点去教，去标注数据，那成本和时间就海了去了。

关键的转折点

连续碰壁后，我有点灰心。后来是通过一个做五金的朋友介绍，认识了一家供应商。他们之前给无锡一家做休闲鞋的厂子做过项目，虽然也不是豆豆鞋，但至少对鞋子的材质、工艺有基础了解。

他们没急着给我报价，而是先派了个工程师在我们车间蹲了三天。就干一件事：看。看我们怎么检，问题出在哪些环节，鞋子在流水线上的状态是什么样。

三天后，他给了我一份简单的报告，里面没讲什么高深技术，就说了几点：

1. 鞋面检测难点在于打光和消除反光，需要特定的光源阵列。

   

2. “豆豆”缺陷是三维的，需要从至少两个角度拍照，用3D算法。

3. 缝线和胶水的检测标准，需要我们的老师傅配合，定义清楚“合格”与“不合格”的边界样本。

就冲这份报告，我觉得他们是在认真解决问题，而不是单纯卖设备。

我们最终是怎么落地的

跟这家供应商合作后，整个过程就踏实多了。我们定下的核心原则就一条：不求一步到位，但求一个环节跑通。

先啃最硬的骨头：鞋底“豆豆”检测

我们决定把最难、也是我们痛点最明显的“豆豆”缺料和压痕检测，作为第一个试点。因为这个问题最客观，好坏标准清晰，容易验证效果。

供应商根据这个需求定制了方案：在流水线侧方和下方安装了两个工业相机，配合特定角度的环形光源，相当于用两只“眼睛”立体地看每一个“豆豆”。算法也是针对这种小凸起的3D特征进行训练的。

实施过程花了大概六周：

第一周，硬件安装和调试，确保拍照位置和清晰度。

第二到四周，就是“教”系统认鞋。我们和老师傅一起，收集了各种有缺陷的鞋子样本，比如缺料、压痕、成型不全的，还有大量合格品，让系统学习。前前后后大概用了两千多张有效图片。

第五周，系统开始试运行，和人工检测并行对比。一开始误报有点多，工程师就蹲在现场调参数。

第六周，系统基本稳定了，识别准确率（把有问题的都抓出来）能达到98.5%以上，误报率（把好的说成坏的）控制在2%以内。这个效果，我们已经很满意了。

关键决策：自己人要深度参与

这个过程里，我明白了一个最重要的道理：不能当甩手掌柜。我们的品控主管和那个老师傅，全程跟着项目。每一张标注的图片，他们都要确认。系统判断错了，他们要立刻告诉工程师原因。

只有这样，系统学的才是我们厂真正的标准，而不是供应商想象的标准。这笔“人力投入”不能省。

第一个环节跑通后，我们有了信心，也看到了实实在在的效果——那个工位原本需要两个人盯着，现在只需要一个人处理极少数系统报警的疑似品，劳动强度大大降低。

后来我们又用类似的模式，逐步上线了鞋面污渍、缝线断线的检测模块。整个项目从启动到全部模块稳定运行，用了差不多五个月。

现在用下来到底怎么样？

系统上线运行快一年了，说说实际效果。

能算清的账：一年省了二十多万

最直接的是人工。我们优化掉了三个专职质检岗（两个普工，一个临时工位），一年人工成本省了差不多18万。

其次是质量成本。因为漏检导致的客户退货和索赔，这一年再没发生过。这块隐形成本，算下来一年至少省了5-8万。

设备投入大概四十万出头。按现在省的钱算，回本周期在20个月左右，比我们当初预期的两年要快一点。

看不见的好处：心里踏实了

现在不管白班夜班，不管是不是赶货，检测标准都是一样的，不会因为人疲劳而波动。良品率稳定在99.2%以上，数据看板实时能看到，接大单的时候底气足多了。

质检员从枯燥的“找茬”工作中解放出来，转型去做数据分析、流程巡检和异常处理，工作价值也提升了。

还有不完美的地方

当然，也不是全无问题。比如遇到从未出现过的新型缺陷，系统可能认不出来，需要及时更新样本库。鞋面一些非常轻微的、类似材质本身纹理的色差，判断起来还是有点模糊，这部分目前还是靠人工复检。

还有就是初期投入对现金流有点压力，小厂需要掂量一下。

如果重来一次，我会怎么做

走过这一趟，复盘一下，有些事可以做得更好。

别贪大求全，从一个点突破

千万别想着一次性把全流程的检测都上了。投入大、周期长、风险高。就像我们，从最痛的一个点（豆豆缺陷）做起，快速见效，积累了经验和信心，再逐步推广。这个策略是对的，要坚持。

供应商要选“懂行”的，不是最贵的

别只看公司规模和品牌。关键看他们有没有类似行业的经验，哪怕不是完全一样的产品，但工艺逻辑要相通。更重要的是，看他们愿不愿意花时间到你的生产现场来理解问题。那种只会夸技术多牛，但对你的生产痛点说不出一二三的，直接pass。

数据是核心，一开始就要规范

训练系统的图片数据质量，直接决定系统好坏。从一开始，就要用统一的灯光、背景、角度去拍缺陷样本，建立自己的标准图库。这个基础工作做得越扎实，后面系统就越聪明，维护成本也越低。

做好持久战的准备

这不是一锤子买卖。上线只是开始，后期的维护、优化、根据新产品调整，都需要持续投入精力。最好厂里能培养一个懂点基础的员工，能和供应商顺畅沟通，日常的小问题自己能处理。

给想尝试的同行几句实在话

AI检测这东西，对豆豆鞋这种注重细节的品类，确实有用，但绝对不是“万能药”。它最适合解决那些标准明确、重复性高、人眼容易疲劳出错的检测问题。

如果你的厂子规模不大，比如年产值一两千万，我建议先别想着全面铺开。可以找一两个外发的加工环节，或者自己厂里问题最集中的某个工位，做个小型试点。现在也有供应商提供租赁或者分期的模式，可以降低前期投入的压力。

多跟已经做过的同行交流，听听他们的真实反馈，比听供应商讲一百遍都管用。每个厂的情况都不一样，别人的方案可以借鉴，但不能照搬。

最后说两句，上不上AI，说到底是个算账和战略的问题。算清楚质量成本这笔隐形的账，再看看市场对品质越来越高的要求，答案可能就在里面了。如果你也在纠结，想了解看看有没有适合自己厂里情况的轻量级方案，可以试试用“索答啦AI”问问，它可以根据你厂子的具体规模和痛点，给一些初步的建议和方向，省得你一开始像无头苍蝇一样到处打听。