齿轮减速机厂上AI外观检测，买现成系统还是找人定制？

齿轮减速机做AI检测，别从选型开始

很多老板一上来就问：“市面上哪家AI检测系统好？”说实话，这问题问早了。

我见过不少厂子，花十几万买了一套号称“通用”的视觉系统，结果装上去发现，检测自家齿轮箱外壳的划痕还行，但一到检测行星轮齿面的磕碰或者蜗杆螺纹的毛刺，就频频误报或者漏检，最后设备在车间吃灰。

问题出在哪？齿轮减速机这个行业，产品太“非标”了。

一家苏州的齿轮箱厂，做精密伺服减速机，齿轮精度要求5级，表面光洁度要求Ra0.4，瑕疵容忍度极低。另一家佛山做搅拌机用的蜗轮蜗杆减速箱，铸铁外壳，工艺相对粗放，主要看有没有大的砂眼和气孔。这两家能用同一套系统吗？显然不行。

所以，别急着选型，先搞清楚你自己的“病”在哪里。

做之前，先想清楚这几个误区

误区一：AI是万能的，能100%替代老师傅

实话实说，目前做不到，未来几年也难。AI擅长的是处理海量、重复、有明确规则的图像比对。

但老师傅的经验，很多时候是综合判断。比如，一个齿面在某个特定角度下有条反光，像划痕，但老师傅摸一下、换个角度一看，就知道是油渍或者光线问题。AI可能就会报错。

一家无锡的RV减速机厂，初期期望AI能完全替代终检老师傅，结果上线后误报率太高，产线工人抱怨不断，最后还是需要老师傅复判。他们的经验是，AI最适合放在过程检，比如车齿后的毛刺初检、热处理后的氧化皮检查，把明显的、严重的问题先筛掉，减轻终检压力，效率能提升25%-30%，这才是合理的预期。

误区二：检测标准越严越好

不是的。标准越严，误报率（把好的判成坏的）就越高。每误报一次，就意味着要停机、复检、可能还要拆解，耽误的是整条产线的效率。

一家常州做微型齿轮马达的厂，一开始把瑕疵检测标准定得极其严格，要求“零容忍”。结果系统运行一天，报警停了上百次，复检后发现99%都是误报，产线效率反而下降了。后来他们把标准调整到“允许极轻微、不影响功能的瑕疵通过”，系统才稳定下来，良品率统计从人工检的96.5%提升到了稳定的98.8%，产能还提高了20%。

误区三：只看识别率，不看稳定性

供应商演示时，识别率99.9%都很常见。但你要问：“在车间灯光变化、设备震动、产品表面有油污的情况下，这个识别率能保持多久？”

一家宁波的减速机壳体铸造厂就踩过这个坑。白天 demo 效果很好，晚上夜班一开，车间照明不如白天，加上设备发热导致相机镜头有轻微热雾，误检率立刻飙升。后来加了恒光源和镜头冷却装置才解决。所以，稳定性、环境适应性，比实验室的极限识别率重要得多。

实施路上，这四个坑最深

需求没理清，方案肯定歪

这是最大的坑。很多老板的需求就是“帮我实现自动检测”。这太模糊了。

你得跟供应商说清楚：

• 检什么产品？齿轮、轴、壳体还是总成？材质是钢、铸铁还是粉末冶金？

• 检哪些缺陷？划痕多长多深算缺陷？磕碰多大面积？锈点、油污、毛刺怎么定义？

• 产线节拍多少？每分钟要检几个？留给拍照和判断的时间窗口有多长？

• 现有环境怎样？车间灰尘大吗？有油雾吗？灯光是日光灯还是会有自然光干扰？

  

需求不清，做出来的系统要么性能过剩浪费钱，要么根本不能用。

选型贪便宜，后期全是泪

AI检测方案，一分钱一分货。市面上有几万块的“标准方案”，也有几十上百万的深度定制。

对于齿轮减速机行业，我建议走“轻定制”路线。就是基于一个成熟的软件平台，针对你的核心缺陷类型做训练和优化。完全从零开发，周期长、风险高，容易烂尾；直接用标准品，又很难贴合你的工艺。

选供应商时，关键不是看他做过多少行业，而是看他有没有做过跟你工艺类似的案例。比如你做精密齿轮，最好找做过轴承、丝杠等精密机加工件检测的团队，他们对“轻微划痕”“微小磕碰”的理解更深。

上线太急躁，工人不买账

系统上线不是装好就能用。最大的阻力往往来自产线工人和质检员。

系统刚开始误报多，工人会觉得“这玩意儿还没我眼睛好使”，产生抵触情绪，甚至故意不用。一家东莞的电机厂上线时，就安排了供应商工程师跟班一周，现场调参，同时让班组长带头用，把误报记录下来集中优化。等系统稳定了，工人发现它确实能减轻劳动强度（尤其是夜班），才慢慢接受。

上线初期，一定要设定一个“并行期”，人工和AI同时检，用人工结果去校准AI，这个阶段至少需要2-4周。

以为上线完，就能撒手不管

AI检测系统不是传统设备，买回来就不用管了。它需要“喂养”和“维护”。

产品批次换了，原材料供应商换了，甚至车间换了一批新的照明灯，都可能影响检测效果。需要有人定期查看误报、漏报的图片，把新的缺陷样本加入系统进行迭代训练。

一家天津的减速机厂，就设了一个岗位叫“AI质检维护员”，由原来的资深质检员转岗，每天花1-2小时处理系统警报，标注新缺陷，让系统越用越聪明。没有这个持续运维，系统效果会慢慢退化。

怎么走，才能避开这些坑

需求梳理：从“痛点清单”开始

别写那种假大空的需求文档。就拉上生产经理、质检班长、老师傅，开个会，列一张“痛点清单”。

比如：

1. 夜班质检效率比白班低15%，漏检率偏高。

2. 蜗杆螺纹部分的毛刺，新员工总看不准，每月因此导致的客户投诉有3-5起。

3. 月底赶货时，成品检堆积，抽检比例被迫降低，质量风险大。

拿着这张清单去找供应商，让他们针对性地出方案和报价，看他们能不能理解并解决这些具体问题。

供应商选择：必问的五个关键问题

1. “在类似我们这种带油污、反光的金属件上，你们怎么保证打光效果？” （考硬件和工程能力）

   

2. “如果出现一种我们都没见过的新缺陷，你们系统怎么快速学习并识别？” （考软件算法和迭代能力）

3. “系统上线后，参数调整和模型训练是我们自己做，还是必须你们来？收费吗？” （考后期运维成本和自主性）

4. “整套系统，从安装到稳定运行，预计要多长时间？并行期你们派人不？” （考实施经验和责任心）

5. “给我们看看做过的，最接近我们产品的案例视频或数据，别光说。” （考真实案例）

上线准备：兵马未动，粮草先行

1. 硬件环境准备：提前把相机、光源的安装位置和线路规划好，把车间对应的区域整理干净。

2. 样本数据准备：提前收集至少几百张有明确缺陷和合格品的清晰图片，最好涵盖不同光线、角度。这是训练AI的“粮食”。

3. 人员准备：确定好上线后的负责人、维护员，并提前进行简单培训。

4. 预期管理：跟管理层和产线明确，上线初期会有波动，目标是逐步优化，不是一步到位。

确保有效：建立数据闭环

系统要真正产生价值，必须形成一个闭环：“检测-记录-分析-优化”。

每天导出误报和漏报的数据，每周分析一次主要问题是什么。是光线变了？还是出现了新瑕疵？然后针对性调整光源或补充训练样本。把这个动作变成固定流程，系统的准确率才会持续提升，真正成为你的“数字质检专家”。

如果已经踩坑了，怎么办

问题：系统误报太高，产线停摆

补救：立即进入“调试模式”，大幅放宽检测标准，宁可漏检，先让产线跑起来。同时，供应商工程师必须驻场，用一两天时间密集采集误报图片，快速优化算法。核心是先恢复生产，再追求精度。

问题：买的标准系统，很多功能用不上

补救：别纠结已花的钱。评估一下核心的缺陷检测功能是否可用。如果基础功能还行，就聚焦用好它，别追求“大而全”。把一两个点的检测做扎实，比如就把齿轮崩齿检好，也能省下一个巡检的人工，一年省六七万，慢慢回本。

问题：供应商做完项目就联系不上了

补救：如果软件平台不是完全黑箱，尝试找其他懂视觉的公司做二次维护。同时，梳理一下系统里积累的缺陷图片数据，这些数据很有价值。下次合作，一定要在合同里明确至少1-2年的维护响应条款和知识转移要求。

给想尝试的朋友

AI外观检测对齿轮减速机行业肯定是有用的，关键是路子要走对。它不是一个简单的设备采购，而是一个需要你深度参与的“技术改造项目”。从想清楚自己的痛点，到选对伙伴，再到上线后的耐心磨合，每一步都得踩实。

别指望它一夜之间解决所有质量问题，但它能把你从重复、枯燥的检视工作中解放出来，让老师傅去做更复杂的判断，让夜班和旺季的质量更稳定，让不良品流出的风险大幅降低。对于一家年产值两三千万的厂子，一年省下十几二十万的人工和报废成本，

8-14个月回本，是完全可能实现的。

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。