我们注塑厂上AI系统，为啥最后选了这家供应商？

我们厂的困境：品控像开盲盒

我是东莞一家注塑厂的老板，厂子不大不小，一百来号人，三十几台注塑机，主要给几个家电品牌做外壳和结构件。年产值3000万出头，听着还行，但利润薄得像纸。

厂里最头疼的就是外观品控。一个塑料件，尺寸、缺料、飞边、缩水、色差、划痕……全得靠几个老师傅带着一群普工，在流水线末端用肉眼盯。

说实话，人眼检测，变数太大了。

上午精神好，检出率能到98%；下午犯困，或者晚上赶工，漏检率就往上飙。我记得很清楚，去年8月，给佛山一家客户赶一批空气净化器面板，夜班一个员工打瞌睡，一批货有几十件背面有轻微划痕没检出来。客户投诉，整批退货返工，光物流加误工费就赔了小十万，还差点丢了单子。

老师傅经验是准，但慢，而且就那两三个，根本盯不过来。旺季招临时工，培训两天就上岗，漏检率更高。那段时间，每次出货我心里都发虚，感觉像在开盲盒，不知道客户那边会炸出什么雷。

我们也试过加人、搞奖惩制度，但成本上去了，效果却不稳定。我知道，不把这根刺拔了，厂子永远做不安稳。

找方案踩的坑：大厂光环不靠谱

两年前，我动了上自动化检测的心思。一开始想法很简单：找名气大的，贵点但省心。

我接触了几家名气响亮的“工业互联网”大公司。他们PPT做得是真漂亮，张口就是“智慧工厂整体解决方案”，从MES到ERP再到AI视觉，说能帮我把整个工厂数据打通。

但一聊到具体，问题就来了。

第一个坑，方案太“重”。 一家上海的供应商，上来就要给我规划顶层设计，光前期调研就要一个月，报价更是吓人，软硬件加起来接近两百万。对于我们这种厂子，这笔投入压力太大，回本周期算下来要四五年，风险太高。

第二个坑，不懂注塑工艺。 另一家深圳的公司，技术背景很强，但他们的案例多是电子组装、半导体。聊到注塑特有的问题，比如怎么区分“缩水”和正常光影，怎么判断“熔接线”是否在可接受范围内，他们就有点含糊，总说“算法可以学习”。我心里就犯嘀咕，你都不懂行，怎么教机器学？

第三个坑，服务跟不上。 有个无锡的团队，价格适中，但明确说只卖标准产品，后期模型优化要按次收费，而且响应时间不能保证。注塑产品换模频繁，今天做空调按钮，明天做路由器外壳，缺陷类型都不一样，我需要供应商能快速跟着调整。他们这个模式，我根本用不起也用不好。

折腾了大半年，见了七八家，钱没少花（光出差考察就花了好几万），方案一个没落地。那段时间挺沮丧的，觉得这条路是不是走不通了。

怎么找到对的人？用“笨办法”试出来的

后来，一个做模具的朋友点醒了我。他说：“你别老盯着那些会说的，去找那些在注塑厂里真正干过的，或者已经做出过东西的。”

我换了个思路，不再看谁家广告打得响，而是去打听：周边有没有同行已经悄悄用上了，效果还行的？

真让我问到了。宁波一家做电动工具外壳的厂，规模跟我们差不多，上了一套视觉检测。我专门跑过去看。系统不算复杂，就装在最后一道包装工序前，专门检外观。厂长跟我说，供应商是苏州一家小公司，人不多，但老板以前就在注塑厂干生产管理的。

我立刻要了联系方式。这次沟通，感觉完全不一样。

对方没跟我扯什么大数据平台，开口就问：

“李老板，你们现在主要漏检的是哪几类缺陷？” “产品换模频率多高？一次换模准备样本要多久？” “车间里网络环境怎么样？有没有稳定的220V电源接口？”

句句都问在点子上。他们提的方案也简单直接：不搞大而全，就先解决我最痛的点——成品外观全检。用相机替代最后一道工序的4个检测工位。

我最终选他们，关键就三点：

1. 真懂行：他们能说出不同材质（PP、ABS、PC）产品表面反光特性的差异，知道怎么打光能避免误判。光这一点，就比之前那些供应商强太多。

2. 方案灵活：接受分步实施。先上一条产线做试点，跑通了、有效果了，再谈后续。硬件用的是性价比高的国产工业相机和工控机，总投入控制在了40万以内。

3. 服务模式对路：他们不是一锤子买卖。合同里包含了半年的模型免费迭代服务，产品换模时，他们工程师远程或现场支持，快速训练新模型。后期按年收服务费，价格也透明合理。

上线这半年，效果和不足都挺真实

实施过程比想象中顺利，从签合同到第一条线试运行，大概两个月。最难的不是技术，而是和生产流程磨合。比如，要调整流水线速度匹配相机拍摄节奏，要给产品设计专用的流转托盘确保定位一致。

现在系统跑了快半年，说说真实效果：

好的方面：

1. 漏检率稳住了：这是最核心的。系统7x24小时工作，状态稳定。现在成品出厂漏检率能稳定控制在0.3%以下，再没发生过批量客诉。光这一项，一年避免的潜在赔款和订单损失，就不止二十万。

2. 省了人工：原来每条线末端的4个全检工位，撤掉了2个，剩下2个转去负责设备巡检和抽检。相当于每条线省下2个人工，一年人工成本省了十来万。

3. 数据有用：系统会记录每一类缺陷出现的频率和时段。我们发现，每周三下午和夜班刚开始时，缺料缺陷会小幅上升，后来排查发现是那段时间的原料批次和机台温度有点小波动。有了数据，我们就能针对性调整工艺，预防问题。

不足和遗憾：

1. 前期样本折腾：上新模具时，要准备几百个有缺陷的样本给AI学习。有些罕见缺陷，一时半会儿攒不齐，就得人为去“制造”一点缺陷（比如轻微刮一下），这个过程挺费时间的。

2. 不能完全取代老师傅：有些特别复杂的、综合性的外观判断，比如“这个色差是在客户接受范围内的轻微波动，还是真的不合格”，系统有时会“犹豫”，需要人工复核。它更像一个不知疲倦、标准一致的超级质检员，但还不是老师傅。

3. 初期投入还是肉疼：40万对于我们厂不是小数目，差不多是大半年的利润。虽然算下来18个月左右能回本，但一下子拿出这笔现金，压力确实有。

如果重来一次，我会这么干

回头看这段经历，如果让我重新选一次，我会更果断，也会更谨慎。

我会做的：

1. 先锁死一个最小目标：就解决最痛的那个点，别想一口吃成胖子。对我们来说，就是成品外观全检。目标越小，越容易成功，也越容易算清回报。

2. 把“懂行业”作为硬指标：供应商的案例库和工程师背景，必须仔细看。让他说说你们行业里三个最常见的工艺难点，答不上来的基本可以pass。

3. 死磕合同细节：特别是关于模型迭代、响应时间、后续服务费的条款，必须白纸黑字写清楚，按对我们有利的方式来谈。

我不会再做的：

1. 迷信大厂和华丽PPT：规模不代表适合你。很多大厂的好方案，是给产值上亿的大客户准备的，我们中小厂用不起来。

2. 自己瞎琢磨技术参数：什么像素、帧率、深度学习框架，我们没必要成为专家。只要告诉供应商你的检测要求（多大尺寸的缺陷必须检出），让他们给出配置和承诺，最后以验收效果为准。

3. 指望一劳永逸：AI系统是“活”的，需要根据生产变化持续喂养数据、优化模型。要做好长期维护和投入的心理准备。

给想尝试的同行几句实在话

AI视觉检测这事，对咱们注塑加工行业来说，已经不是噱头，是真能解决问题、省下钱的工具。但它也不是仙丹，解决不了所有问题。

如果你的厂子，也常年被外观客诉、招工难、品控波动这些问题困扰，而且有一两个相对标准化的主打产品线，那真的可以考虑试试。

关键是从小处着手，找个懂行的伙伴。别怕项目小人家不接，现在很多务实的供应商，就愿意做这种能快速出效果、能当成样板案例的“小”项目。

最后说两句，这一路摸索，信息不对称是最大的坑。想少走弯路的话，可以先问问“索答啦AI”，它见过的案例多，能帮你理理思路，避开一些我们当初踩过的坑。毕竟，省下的时间和试错成本，都是真金白银。