洗衣机厂想上AI质检，找哪家供应商靠谱？

一个订单，让我决定必须上AI

我是东莞一家洗衣机代工厂的生产负责人。厂子不大不小，年产值5个亿左右，给几个国内二线品牌做代工，也接一些外贸单子。前年一个事情，让我下定决心，必须搞自动化质检。

那是一批出口到欧洲的滚筒洗衣机，3000台。出货前抽检都合格，结果到了客户那边，抽检出三台门封条有细微划痕，虽然不影响使用，但人家标准高，直接整批退货。光是物流和返工成本就赔进去二十多万，更别提信誉损失。

复盘的时候，我们发现是夜班一个干了半年的小伙子漏检了。他说当时太困，没看清。说实话，这能怪他吗？凌晨三四点，对着流水线看几百上千个门封条，是人都会走神。

这个问题不是第一次了。划痕、螺钉漏打、标签贴歪、玻璃门上有小气泡……每个月总有几起客诉，根源都是人工目检的疲劳和不稳定。老师傅眼神好、经验足，但速度慢；新员工和旺季招的临时工，速度快，但错得多。这是个死结。

第一次尝试：被PPT忽悠，交了学费

痛定思痛，我们开始找方案。一开始想法很简单：找个大公司，买套成熟的AI视觉检测系统装上。

我们接触了几家名气很大的供应商。他们的PPT做得是真漂亮，“智慧工厂”、“全链路”、“赋能增效”，概念一个比一个新。一家公司给我们演示，说他们的系统能识别上百种缺陷，准确率99.9%。

我们心动了，选了其中一家签了试点合同，在总装线的门封条检测工位试点。结果，一落地就发现不对。

第一个坑：现场环境太理想化。

供应商的demo是在他们实验室拍的，灯光完美，背景干净。可我们车间呢？生产线震动、环境光变化、不同批次的门封条颜色有细微差异、零件表面有反光……这些真实情况，他们的算法根本没考虑。一上生产线，误报率奇高，好的说成坏的，产线频繁停机。

第二个坑：响应太慢，解决问题像求人。

发现问题后，我们要求供应商的工程师调整算法。对方流程很复杂，要提需求单，排期，等总部开发。一个简单的参数优化，等了一周多。生产线等不起啊，最后这个试点工位只能关掉，恢复人工。

钱花了小二十万，除了买回一堆用不上的硬件和几张发票，啥也没解决。老板的脸色很难看。

换个思路：不找“大品牌”，找“老师傅”

第一次失败后，我们冷静了半年。后来通过一个同行介绍，认识了一家专做家电行业视觉检测的方案商。他们规模不大，但创始人是从某家电大厂的生产线干出来的，自己懂工艺。

这次我们学精了，没看炫酷的PPT，直接提了三个要求：

1. 带我们去看看他们正在运行的案例，不看实验室，看工厂车间。

2. 派个懂洗衣机的工程师来我们车间蹲两天，把问题摸清楚再说方案。

3. 先做一个小到不能再小的POC（概念验证），比如只检门封条划痕这一种缺陷，跑通了再谈下一步。

这家公司全答应了。他们的工程师真的在我们车间待了三天，拿着本子记，跟老师傅聊，把来料、冲压、喷涂、总装各个可能出外观问题的环节都摸了一遍。

最后他们给的方案，跟之前那家完全不一样：

方案核心：抓大放小，从最痛的环节切入。

他们建议我们不要一开始就搞“全覆盖”。而是先解决总装线最后的“成品外观检”。这里是所有问题的集散地，也是客户投诉的直接来源。先把这个环节跑稳、跑出效果，让老板和工人看到实实在在的好处，再往上游的喷涂检、钣金检去推。

为什么选他们？

最关键的一点是，他们懂我们的“语言”。我们说“门封条安装后边缘有‘飞边’”，他们立刻知道是注塑工艺问题，该在哪个角度打光最能拍出来。我们说“箱体侧板在传送带上容易刮伤”，他们马上能判断是算法要过滤传送带纹理，还是得加个防护工装。这种基于工艺经验的共识，比任何技术参数都重要。

落地过程：像搞技改，而不是买设备

实施过程也不是“交钥匙”。我们和他们成立了个联合小组。

第一步：硬件改造先行。

在成品检测位，我们根据他们的建议，花了点钱做了个小改造：加装了稳定的光源箱，隔绝了环境光；把传送带一段换成更平稳的；调整了相机安装位置和角度。这些基础工作，占了成功的一半。

第二步：算法“喂”数据。

我们收集了过去半年各种不良品的照片，划痕的、凹坑的、脏污的、装配不到位的，也收集了大量良品照片。他们的工程师就住在我们工厂附近的旅馆，白天我们生产，他就在旁边办公室调试算法，晚上我们下班了，他用产线空闲时间做测试。有问题随时沟通，算法迭代非常快。

第三步：人机协同，不是替代。

我们没有一下子撤掉检验员。系统上线后，设置成“AI初筛+人工复判”模式。AI先把可疑的挑出来报警，检验员去复判。这样既保证了效率，又让检验员有个适应过程，他们发现这个系统确实是帮手，不是来抢饭碗的，抵触情绪小了很多。

大概用了两个月，这个工位才完全跑顺。

现在的效果与遗憾

系统稳定运行快一年了，说几个实在的变化：

效果一：客诉率肉眼可见地降了。

外观问题导致的客户投诉，从平均每月3-5起，降到差不多2个月1起。去年那类“门封条划痕”的问题再没发生过。对我们这种代工厂来说，客户信任比什么都值钱。

效果二：检验员从“盯”变成了“管”。

原来一个工位要一个检验员全神贯注地看。现在一个检验员可以看两个工位，主要工作是复核AI的报警。劳动强度下来了，晚上也不那么容易打瞌睡了。我们算过，相当于省下了1.5个人的工作量，一年人工成本省了十来万。

效果三：有了质量数据，能倒逼前工序。

现在所有检出的缺陷都有图片、有分类、有统计。比如数据发现“左侧箱体凹坑”特别多，一查，是钣金线上一个物料框设计不合理，搬运时磕碰的。以前这种问题很难定位，现在用数据说话，前工序不得不改。良品率从原来的97%左右，提到了98.5%以上。

当然，也有没解决好的地方：

1. 一些极其细微的、半透明的划痕，在特定光线下还是偶尔会漏。这需要更高精度的相机和更复杂的算法，我们评估后觉得目前投入产出比不高，就先维持现状，靠人工最后的抽检兜底。

2. 算法需要持续维护。换了新的配件供应商，材料表面光泽度变了，算法可能要微调一下。好在这家供应商服务及时，通常一个电话，远程就能调好。

如果重来，我会这么干

回头看看这段经历，如果从头再来，我会做四件事：

1. 先梳理流程，别急着看方案。

   把自己车间里所有依赖人眼判断的环节都列出来，按问题发生的频率、造成的损失排个优先级。最痛的那个点，就是最好的切入点。

2. 供应商要“懂行”胜过“有名”。

   一定要找有同类产品、同等生产环境落地经验的供应商。让他带你去看正在运行的案例，和那家的生产负责人聊聊，听听真实反馈。PPT和实验室数据，最多信三成。

3. 合同按阶段付，和效果挂钩。

   别一次性付全款。谈成按POC验收、上线验收、稳定运行一段时间后验收这几个阶段付款。把他们对效果的责任，用合同捆住。

4. 内部要有个“自己人”项目组。

   生产、质检、设备、IT，最好都出个人，形成一个小组全程跟着。这不只是供应商的事，更是我们自己工艺升级的事。自己的人越懂，后期维护和扩展就越主动。

写在后面

上AI系统，对咱们制造企业来说，现在早就不是“要不要上”的问题，而是“怎么上才不亏”的问题。它就是个高级点的“工装夹具”，核心是解决问题，不是追求炫技。

对于还在观望的同行，我的建议是，别被那些大词吓到，也别指望一步登天。就从你车间里那个让你最头疼、每个月都为它赔钱的质量问题开始，用最小的代价去试。跑通了，老板、工人都看到甜头了，后面的事情就好办多了。

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。它能帮你理清思路，至少能让你在跟供应商聊的时候，心里有个底，知道哪些是画饼，哪些是干货。