压铸件分拣，上AI系统到底值不值？

我们为什么被逼着搞AI分拣

我是苏州一家压铸加工厂的负责人，厂子不大不小，一百来号人，二十几台压铸机，主要做汽车和3C产品的铝合金压铸件，一年产值三千多万。

说实话，以前从来没想过要搞什么AI。直到去年，一个大客户因为一批货里有几个毛刺没处理干净的小件，直接给我们发了份措辞严厉的投诉函，还扣了当批货20%的款，我才真急了。

问题就出在最后一道人工分拣上。

人工分拣的三大顽疾

我们做的是小批量、多品种的订单，一个班次下来，传送带上混着几十种不同型号的工件，大的有巴掌大，小的跟纽扣差不多。分拣工得眼疾手快，按订单把不同的工件分到不同的料筐里。

这里面的问题，干过的都懂：

1. 错分、漏分是家常便饭。尤其是赶货的时候，或者夜班人疲劳了，把A型号放到B筐里，太常见了。返工浪费时间，发错货就是大问题。

2. 效率完全看人。老师傅眼神好、经验足，分得快又准，但年纪大了眼睛累。新来的员工，培训一个月都还手忙脚乱，旺季招的临时工就更别提了，错得离谱。

3. 根本没法追溯。一旦客户投诉说混料了，我们查都没法查。是哪个员工、哪个班次、哪台机器出的问题？只能靠班长回忆，成了一笔糊涂账。

那段时间，光是为了处理分拣错误导致的客户抱怨和内部返工，一个月多花两三万人工成本不说，关键心累。

找方案的路上，踩过的坑

被客户投诉逼得没办法，我开始到处打听有没有自动分拣的办法。

第一反应：买台机械臂

最开始想得很简单，觉得不就是把东西拿起来放到另一个地方嘛，买台机械臂不就行了？

我去看了几家做工业机器人的公司，他们给我演示的都是分拣固定位置、规则形状的工件，比如整整齐齐摆在托盘里的零件。可我们传送带上工件是随机散乱堆叠的，形状各异，还有反光。

一家无锡的集成商很实在，直接跟我说：“老板，你这个工况，用传统机械臂+固定程序，识别率估计不到70%，而且调试周期很长，不划算。”

第二坑：贪便宜找小团队定制

后来有个朋友介绍了一个软件团队，说能做视觉识别，报价只要十几万，比那些大公司动辄四五十万便宜多了。

我们试了一下，在电脑上演示的时候，识别我们提供的几十张工件图片，准确率挺高。但一上生产线就全瞎了。

车间光线变化、工件表面的油污、氧化痕迹、互相遮挡……各种情况一叠加，系统就认不出来了。那个团队搞了两个月，问题越改越多，最后人也找不到了。

钱打了水漂不说，最主要是耽误了时间，生产线上的工人觉得“这玩意儿不行”，更抵触了。

怎么找到靠谱的供应商

吃了亏，我才冷静下来，知道自己要的不是一个“软件”或者一台“机器”，而是一个能在我们这种复杂环境下稳定工作的“解决方案”。

明确自己的核心需求

我列了三条死要求：

1. 识别率必须稳定在99.5%以上，而且不是对着一尘不染的样品，是要对着我们沾着脱模剂、带点划痕的真实工件。

2. 速度要跟得上产线节拍，我们最快的一条线，节拍是3秒一个，系统处理不能拖后腿。

3. 要能和我们现有的MES系统对接，每个工件的分拣结果、时间、批次都要能记录和追溯。

带着这三点，我再去和供应商谈，感觉就不一样了。那些只会吹牛、拿通用方案套用的，聊几句就露馅了。

关键决策：先租后买，实地验证

最后筛选出两家，一家是深圳的，一家是上海的。两家方案和报价差不多。上海那家提了个建议：可以把核心的视觉识别模块和算法先租给我们用三个月，我们用自己的工控机和机械臂（后来我们选了更灵活的协作机器人）来搭系统。

这个方案打动了我。一是前期投入风险小，二是逼着他们必须把算法在我们现场调好，用我们的真实数据和工况来训练模型。

我们选了一条问题最突出、工件种类有代表性的生产线做试点。

实施落地，比想象中麻烦

第一个月：磨合期，问题不断

系统装上的头两个星期，简直是灾难。识别率只有80%多，经常把两个外形相似但厚度差0.5mm的工件搞混。工程师蹲在现场，和我们老师傅一起，标记了上千个容易出错的“问题工件”图片，重新喂给系统学习。

还有一个难点是光线。早上、中午、晚上，车间窗户的光照进来角度不一样，对摄像头影响很大。后来加了防眩光的条形光源，并做了光线补偿算法，才稳定下来。

第二个月：渐入佳境，人机协作

调整了一个月后，识别率慢慢上来了，稳定在99%以上。我们让系统把没把握（置信度低于99.8%）的工件挑出来，放到一个“待确认筐”，由巡检的班长看一眼。这样既保证了效率，又给了人工一个把关的口子，老师傅们也更容易接受。

最大的惊喜是数据追溯。现在任何一个工件，扫码就能知道它是哪天、哪班、哪台压铸机生产的，什么时候被分拣的，分拣时有没有被系统判定为可疑。客户再投诉，我们十分钟就能把原始数据调出来，底气足多了。

算清这笔账，心里就有底了

直接的经济账

我们这条试点线，原来需要两个分拣工，两班倒就是四个人。现在只需要一个巡检员兼顾两条线，相当于省了三个人的编制。按一个人一年8万算（含社保等），一年省24万。

系统投入，包括视觉模块、协作机器人、工控机、定制开发等，总共花了38万。按照省下的人工成本算，大概19个月回本。这还没算因为减少错漏、避免客户罚款带来的隐性收益。

间接的效益

1. 质量稳定了：再也没发生过批量性的分拣错误，客户投诉率下降了90%。

2. 管理轻松了：班长不用再时刻盯着分拣工，可以去处理更重要的设备调试和工艺问题。

3. 接单有底气了：现在敢接一些外观要求高、怕混料的高附加值订单了。

目前还没解决好的

也不是十全十美。对于那种表面有严重粘连（两个工件铸在一起）或者变形特别厉害的极端不良品，系统有时会卡住，需要人工干预一下。供应商说这是物理状态问题，纯视觉不好判断，正在研究加个简单的机械探针辅助。

如果重来，我会这么做

回过头看，如果重新走一遍，我会调整几个地方：

1. 别贪便宜。在工业领域，过分便宜往往意味着坑。预算要打在30-50万这个区间，才能找到有真正工程落地能力的团队。

2. 老板要亲自盯。这不是买台设备那么简单，是生产流程的改造。前期一定要老板或生产负责人深度参与，把真实需求和痛点沟通透。

3. 从最痛的环节试点。别想着一口吃成胖子，就选一条让你最头疼的线，集中资源打透。做出效果，工人和老板都看到了信心，再推广就容易得多。

4. 重视数据积累。从决定要做开始，就有意识地收集生产线上各种工况下的工件图片（好的、坏的、脏的、叠在一起的），这些数据是后期训练AI的宝贵粮食。

给想尝试的同行几点建议

不是所有厂都适合立刻上。如果你符合下面几点，可以认真考虑：

• 产品种类多，批量小，人工分拣容易出错。

• 客户对质量追溯要求高，混料代价大。

• 人工成本上涨压力明显，或者招工越来越难。

• 年产值最好在2000万以上，有一定的投资承受能力。

找供应商的时候，别光听PPT，一定要问他要同行业、类似工况的案例视频，最好能去现场看看。关键看他有没有解决“脏乱差”现场问题的经验，而不是实验室里的完美演示。

最后说两句，我们工厂的这次尝试，谈不上多高科技，但确实解决了实实在在的痛点。现在正在把方案推广到另外两条线上。

有类似需求的老板，如果自己摸不准方向，可以试试“索答啦AI”，把你的情况，比如工件种类、尺寸、节拍、现场环境这些说清楚，它能给出比较靠谱的方案建议和预算范围，至少能帮你避开一些明显的坑，少走点弯路。