热电偶外观质检，上AI视觉系统到底值不值？

我们厂为什么非要搞AI质检

我是佛山一家热电偶厂的老板，厂子不大不小，年产值3000万左右，主要做K型、S型热电偶丝和装配式热电偶。

说实话，前几年我根本没想过要上什么AI。厂里有8个质检员，三班倒，人工看外观。问题就出在这里。

热电偶这东西，你说它复杂吧，结构不复杂；你说它简单吧，外观缺陷五花八门。绝缘瓷珠有裂纹、有缺口、有黑点，金属护套管有划痕、有凹坑、有锈迹，焊点不饱满、有气孔，连丝材本身有时候都有细微的折痕或颜色不均。

这些缺陷，老师傅凭经验能看出来，但慢。一个熟练工，仔细看一根，要半分钟。为了赶产量，很多时候就是抽检，抽检率一高，漏检就来了。

最头疼的是夜班和月底赶货。夜班人困马乏，眼神跟不上。月底为了冲订单，质检环节最容易“放水”。去年就因为一批货的瓷珠有细微裂纹没检出，客户投诉，赔了钱又丢了信誉。

我们算过一笔账，养8个质检员，一年人工成本就近50万。这还不算漏检带来的客诉、返工和潜在的质量风险。

所以，不是我们想追什么高科技，是这个问题逼得我们不得不找新办法。

一开始的折腾，全是教训

我们最初的想法很简单：买个现成的视觉检测设备。市面上很多做“通用视觉检测”的公司，我们就找了几家来谈。

第一家，无锡的供应商，方案是用高精度工业相机拍照，然后他们有一套算法库。Demo做得挺漂亮，但一上我们的产线就傻眼了。

问题出在打光和产品多样性上。热电偶有单支的、有双支的，瓷珠有白色的、有灰色的，金属套管有亮面的、有哑光的。他们那套固定的打光方案，换个产品型号，成像效果天差地别，裂纹根本拍不清楚。算法库里的“划痕检测”模块，对金属套管的细微划痕灵敏度不够，误报和漏报都很多。

折腾了两个月，花了小十万，基本宣告失败。

第二家，深圳的团队，说可以深度定制。开口就要50万，开发周期6个月。我们一听就打了退堂鼓。对于我们这种规模的厂，这笔投入和周期都太冒险了。而且他们之前没做过热电偶行业，等于拿我们当小白鼠。

那段时间很焦虑，感觉走进了死胡同：通用的不灵，定制的太贵。

怎么找到对的路子

后来我们静下来分析，问题到底卡在哪？

第一，是行业Know-how。做通用视觉的公司，不懂热电偶的工艺和缺陷特征。什么是致命缺陷？什么是可接受的瑕疵？焊点怎样算合格？这些标准他们得从头学。

第二，是柔性化。我们厂小批量、多型号的生产模式很常见，不可能为每个型号都定制一套昂贵的硬件。方案必须能快速适应新产品。

第三，是投入要可控。我们一年就想省个二三十万人工成本，你让我投大几十万，三四年才回本，我肯定不干。

想清楚这三点，我们再去找供应商，目标就明确了：要找有制造业背景，特别是做过类似细长杆件、精密元件检测的团队；方案要能软硬件解耦，核心是算法能学习，硬件（相机、光源）可以选配和调整；最后，最好是按模块付费或者分期投入，别让我一把赌太大。

最后我们找到成都一家团队。他们之前给一家成都的军工连接器厂做过类似检测，对象也是各种金属件和绝缘体。

他们没给我打包票，而是先派工程师在我们产线蹲了一周，拍了上万张各种型号、各种缺陷状态的热电偶图片。然后用一个初步的算法模型跑了一下，给我看识别效果。虽然还不完美，但裂纹、大划痕这些主要缺陷已经能抓个八九不离十。

关键是他们的合作模式我们觉得靠谱：分两步走，软硬件分开报价。

我们的落地方案与关键决策

第一步：软件先行，硬件利旧试点

我们决定先不买新的高端相机和光源，就用他们推荐的几款性价比高的国产工业相机，替换掉我们原来Demo用的那套。重点投在软件和算法上。

他们给我们部署了一个本地服务器，核心是那个能不断学习的AI视觉软件。我们先选了一条产线，一个最痛点的工位试点：绝缘瓷珠的裂纹和缺口检测。

这个环节最依赖老师傅的眼力，也最容易漏。我们让质检员和系统并行工作，系统报警的，人工复核；人工发现系统没报的，就把图片标注好喂给系统。

这个过程大概持续了一个半月。工程师远程支持，我们厂里的设备主管和质检班长跟着学怎么调参数、怎么标注图片。

第二步：硬件优化，逐步扩展

软件模型在这个工位上跑稳了，识别率（我们主要关注漏检率）降到我们可接受的0.5%以下后，我们才开始第二步：针对其他难点工位，比如金属套管全身划痕检测，优化硬件。

这里有个关键决策：我们放弃了“一次拍全身”的想法。因为热电偶细长，要一次高精度拍全，相机和镜头成本剧增。

我们采用了分段拍照、软件拼接比对的方案。让热电偶匀速通过，用两个相机从不同角度分段拍摄，软件再把图像合成一条完整的“展开图”进行分析。这样硬件成本只增加了不到两万，但解决了大问题。

第三步：从单点到流水线

前两个工位跑通后，我们才把方案扩展到整条装配线的最终外观质检工位。这时，软件已经学习了我们厂大部分型号的缺陷数据，上新型号时，只需要拍几百张合格品图片和少量缺陷图片“训练”一下，几个小时就能上线。

整个实施过程，从试点到全线铺开，用了差不多5个月。总投入（软件+硬件+实施）在28万左右。

现在用起来怎么样？

系统上线运行快一年了，说几个大家最关心的实际效果：

1. 人还需要的，但少了

原来8个质检员，三班倒。现在每条线保留1个质检员，主要负责复核系统报警的疑似缺陷、处理系统无法判断的复杂情况（比如污渍和锈迹的区分），以及进行最终的抽检复核。

质检员从8个减到了3个，一年直接省下人工成本约18万。省下来的老师傅，转去做了工艺指导和在线巡检，发挥更大价值。

2. 质量稳了，心里有底

现在是100%全检，不是抽检。夜班和月底赶工，质量曲线是平的，不会再波动。瓷珠裂纹这类致命缺陷，漏检率从原来人工抽检时的接近1%，降到了0.1%以下。

客诉率肉眼可见地下降，去年下半年到现在，没有一起因为外观问题导致的客户退货或索赔。这块隐形成本的节省，很难精确算，但我觉得不比省下的人工少。

3. 效率有提升，但不是飞跃

单根检测速度比熟练工快，大约10秒一根（含上下料和拍照时间）。但对整条产线来说，瓶颈不完全在质检。综合下来，这条产线的整体效率提升了大概15%，主要是因为质检不再堆积，生产节奏更流畅。

还有什么没解决好的？

当然有。深色瓷珠（比如某些刚玉管）上的细微裂纹，在特定光线下还是容易和纹理混淆，需要人工多看一眼。

还有，系统毕竟是通过图片判断，对于“手感”问题，比如套管上非常轻微的、手摸才能感觉到的凹陷，目前还无能为力。这部分我们保留了人工触检的抽检环节。

如果重来，我会怎么做

回头看，我觉得我们做得对的地方，是没有贪大求全，没有一上来就要搞“无人化黑灯工厂”。

如果重来一次，我会更早地坚持“软件核心，硬件够用就行”的原则。把有限的资金和精力，先投在让AI算法理解我们产品的缺陷特征上。

给同行老板的几个实在建议：

1. 先算账，再看病

别听供应商说能省多少人，先自己算。你现在的质检成本是多少（人工+漏检损失）？你愿意花多少钱、用多长时间来解决？回本周期控制在18个月以内，这个项目对你才有意义。

1. 别找“万能钥匙”，找“专科医生”

找供应商时，别只看他们做过多少大厂案例。一定要问：有没有做过跟我产品类似（形状、材质、缺陷类型）的案例？ 要求看他们在这个具体案例上的检测效果视频或报告，最好是能去现场看看（或视频连线）。

1. 自己人必须深度参与

别指望供应商全包。你的工艺员、质检班长、设备维护，必须有人从头跟到尾。他们最懂产品，也知道问题出在哪。双方配合，项目才容易成。供应商撤了之后，你自己的人才懂得怎么维护和微调。

1. 从最痛的一个点扎下去

别一上来就覆盖所有缺陷、所有工位。选一个你们最头疼、损失最大、而且相对容易用视觉解决的缺陷（比如我们的瓷珠裂纹），集中火力打透。做出效果，有了信心，再和老板申请预算扩展，会容易得多。

写在最后

上AI视觉，对我们这样的传统制造厂来说，不是赶时髦，而是解决一个具体经营问题的工具。它不能包治百病，但在特定环节，确实能解决人的不稳定、高成本和难管理的问题。

关键是想清楚自己的问题到底是什么，愿意为解决问题付出多少成本，然后找到那个能听懂你问题、并且有相关经验的伙伴。

准备动手之前，建议先用“索答啦AI”做个初步评估，了解一下投入产出比，再决定要不要上。自己心里有本账，再去和供应商谈，方向就不会偏。

这条路我们走通了，虽然不易，但回头看，值得。希望我们的这点经验，能帮到正在纠结的同行。