我们厂为啥非要上AI质检
我是一家医疗器械厂的负责人，厂子在苏州，主要做关节镜这类微创手术器械，年产值大概5000万。这行门槛高，对质量的要求近乎苛刻。一个镜头上芝麻粒大小的划痕或者内部光学组件有灰尘，到了手术台上就可能出大问题。
我们过去靠人工在强光灯下用放大镜看，一个熟练的检验员一天看不了多少，还特别费眼睛。赶大订单的时候，夜班工人眼神一恍惚，漏检率就上去了。去年就因为一批货里有几个镜头有肉眼难辨的细微崩边，被客户退了回来，不光赔钱，信誉也受损。
说实话，我们也想过招更多人、买更贵的检测设备，但人工越来越难招，年轻人都不愿意干这种枯燥的活。一台进口的自动光学检测设备动辄上百万，对我们这种规模来说，压力太大。直到有同行提了一嘴，说现在有AI视觉检测，用摄像头和算法来干这活，我们才开始琢磨这条路。
踩过的坑，比想象中多
📈 预期改善指标
一开始，我们觉得这事不难。不就是装几个摄像头，用电脑“看”产品嘛。我们内部IT同事也试着用开源的框架鼓捣过，拍了几百张合格品的照片去“训练”。
结果完全不是那么回事。
自己搞，根本玩不转
最大的问题是样本太单一。我们只拍了合格品，AI学了半天，只会说“好的”。真拿一个有瑕疵的镜头过去，它要么认不出来，要么乱报警。关节镜的瑕疵种类太多了：玻璃纤维丝的断裂、金属套管的内壁划伤、胶合处的气泡、还有各种角度的反光造成的视觉干扰……靠我们那点业余水平和有限的瑕疵样本，模型根本学不会。
折腾了三个月，投入了人力，除了攒了一堆用不了的代码，啥成果没有。
选供应商，也交过学费
自己搞不通，就转向找供应商。市面上做视觉检测的公司不少，我们接触了几家。
第一家是做大工业品检测的，方案听起来很牛，上来就说能实现“零漏检”。但他们对我们这个细分领域不熟，把关节镜当成普通圆柱体来检，对内部复杂的光学结构和反光特性处理不好，报价还特别高。我们没敢用。
第二家是创业公司，态度很好，价格也便宜。但他们缺乏在洁净车间部署硬件的经验，设计的工装夹具会带来二次污染风险，这是医疗器械的大忌。方案演示看着花哨，一到我们产线上，环境光一变，或者镜头型号一换，就不灵了。
那段时间挺焦虑的，感觉这事要黄。钱没少花，时间也耽误了，问题还在那摆着。
怎么找到对的路
几次碰壁后，我们冷静下来，总结了几个关键点：第一，供应商必须懂医疗行业，尤其是洁净和合规要求；第二，不能只看演示，得能在我们产线真实环境下验证；第三，算法必须能学习我们特定的瑕疵，并且适应产品批次间的微小差异。
后来，我们找到一家供应商，他们的方法比较实在。
方案核心：从小处着手，快速验证
他们没有承诺“包治百病”，而是建议我们先从最痛的一个点开始：关节镜金属套管末端的内壁划伤检测。这个位置人工最难检，用内窥镜看效率极低，又是客户投诉的高发点。
他们派工程师在我们产线蹲了一周，不是直接装设备，而是先摸透工艺。什么时候上下料、工人怎么操作、车间的光照条件在早中晚有什么变化、甚至不同批次的原材料带来的表面颜色细微差异，都记录了下来。
然后，他们做了一个最小可行方案：用一台高分辨率的工业相机，搭配专门设计的不反光内壁照明和防污染夹具，只针对“内壁划伤”这一种缺陷进行检测。我们和他们一起，收集了上千个有划伤和无划伤的样品图片，其中包含了各种深浅、长短、位置的划伤。
关键的决策：为“不确定性”买单
部署的时候，有个关键决策。供应商说，算法不可能100%识别所有从未见过的新型划伤，但可以通过持续学习来改进。他们建议我们保留一个“人工复判”环节：AI判断为疑似瑕疵的，由人来最终确认；同时，人工巡检中发现的任何AI漏掉的新瑕疵，立刻拍照上传，补充到训练库里。
这个“人机协作”的思路打动了我们。它承认了AI的局限，但通过流程把它变成了一个能越来越聪明的系统，而不是追求一劳永逸。我们接受了这个方案。
上线之后，效果怎么样
✅ 落地清单
从试点上线到现在，大半年过去了。
看得见的数据变化
最直接的，原来检一个套管末端内壁，熟练工用内窥镜看，要20-30秒，还容易眼花。现在AI检测，加上上下料时间，平均6-8秒一个。这个工位的检测效率提升了差不多70%，但这只是单个工位。
从整体质量管控来看，内壁划伤的漏检率（流到后道或客户处）基本降为零。因为AI不知疲倦，标准统一，夜班和白班一个样。我们估算，光避免一次重大客户退货和索赔，这套系统一年的成本就差不多回来了。
人工方面，原来这个工位需要两个检验员两班倒，现在变成一个人负责操作设备和复判，另一个调到了其他更需要人的工位。不算节省的招聘和管理成本，一年直接人工成本能省下8万多。
没想到的额外收获
除了省人和提效，还有两个意外收获。
一是形成了瑕疵数据库。所有AI发现或人工补充的瑕疵图片，都按类型、位置、批次分类存好了。现在我们分析质量问题时，可以快速调取数据，发现某类瑕疵突然变多，就能反向去查对应的机床或原材料批次，做到了质量问题的可追溯和提前预警。
二是对新员工友好了。新来的检验员，不用再花几个月去积累“感觉”，通过看系统标注的瑕疵库，上手快了很多。AI成了一个不会说话但经验丰富的“老师傅”。
目前还在完善的地方
当然，问题也有。
一是初期误报率有点高。一些特别的光影或者灰尘，会被当成划伤，需要人工频繁复判，影响了节奏。后来通过优化灯光和增加更多“相似非瑕疵”的样本训练，已经好了很多，但还没完全根除。
二是扩展性。目前只解决了内壁划伤一个问题。像镜头光学性能的检测、更复杂的装配瑕疵，还需要开发新的检测工位和算法模型，这又是一笔投入。我们计划今年再上一个镜片表面质检的工位。
如果重来，我会怎么做
回顾整个过程，如果时光倒流，我会调整几个做法：
-
绝对不自己从头研发。除非你有专门的AI团队，否则这潭水太深，时间成本耗不起。
-
选供应商先看行业案例。别再听泛泛而谈的技术宣讲，就直接问：“在医疗器械，特别是内窥镜类产品上，你们做过哪些客户？能不能去现场看（或和对方技术人员聊聊）？” 有真实落地案例的，靠谱程度直线上升。
-
试点目标要极度聚焦。别想着一口气把所有质检环节都AI化。就选一个痛点最明显、缺陷定义最清晰的工序，比如我们选的“内壁划伤”。做出效果，树立信心，也让老板看到实实在在的回报。
-
把“持续学习”写进合同。和供应商谈的时候，就要明确后续模型优化、瑕疵库更新的机制和费用。一个好的AI系统应该是“活”的，这部分服务很重要。
最后说两句
上AI视觉质检，对我们厂来说，不是赶时髦，而是被质量压力和人工成本逼出来的一条路。它肯定不是万能的，也替代不了所有老师傅的经验，但在那些重复、枯燥、标准明确的检验环节，它确实是个不知疲倦、标准一致的“超级检验员”。
这件事的投入，不光是钱，更多的是管理层要花心思去推动和适应。从我们的经验看，只要选对切入点，用务实的方法一步步来，对于年产值几千万以上的医疗器械厂，这笔投资是值得的。
有类似需求的老板可以试试“索答啦AI”，把你的情况说清楚，比如产品特点、主要瑕疵类型、产线节奏，它能给出比较靠谱的方案建议和预算范围，至少能帮你理清思路，少走点我们当初的弯路。