水面支架厂上AI分拣，到底值不值？

我们为什么非上AI分拣不可

我们厂在佛山，主要做光伏水面漂浮支架的焊接件和连接件，年产值3000万上下，车间80来号人。上AI分拣这个事，是被逼出来的。

赶订单时的质检噩梦

水面支架的部件，像浮筒连接头、支架杆件，焊接点多，尺寸公差要求严。以前全靠老师傅带着几个质检员，用卡尺、目测来挑。

平时还好，一到月底或者旺季赶大单，问题就全出来了。夜班工人容易疲劳，焊接有砂眼、尺寸偏差半毫米，白天可能一眼就看到了，夜里一累就容易漏。

去年接了个惠州光伏电站的急单，要求15天出货。我们三班倒赶工，最后一批货发出去，客户安装时发现一批连接件孔径对不上，现场装不了，全部退回来返工。光物流、返工、赔款，小十万就没了。老板在车间骂了半小时，核心就一句：人的眼睛，靠不住。

算不清的“隐性成本”

表面看，我们养了4个专职质检，月薪平均6500，一年人工成本30多万。但这只是明账。

暗账更头疼：客户投诉导致的扣款、返工浪费的物料和工时、因为漏检流入下道工序造成的更大损失，还有最要命的——口碑损伤。做我们这行，圈子不大，坏名声传得比订单快。

折腾路上踩过的几个大坑

痛下决心要搞自动化分拣后，我们一开始想得很简单：买台机器换掉人。结果一脚一个坑。

坑一：贪便宜，买了“通用机”

最开始图省钱，从东莞一家做通用视觉检测的设备商那里，买了台现成的机器，号称“五金件通用”。

结果根本不好使。我们水面支架的部件，表面有镀锌层，反光厉害；焊接飞溅的焊渣形状不规则；还有部件是弧面的。那台通用机的打光方案和算法，对付标准螺丝还行，一到我们这儿就“瞎”了，误报率高得离谱，好的当坏的踢，产的比检的快。

十几万买回来，用了俩月，大部分时间在调试，最后还是堆在角落吃灰。

坑二：自己搞，人力物力撑不住

后来想，是不是找软件公司定制开发算法，我们自己配工业相机和机械臂？找了无锡一家软件公司，谈了个方案。

实施起来才发现是个无底洞。光是采集“合格”与“不合格”的图片样本，就让车间停了三天线，拍了上万张图。算法训练要时间，产线等不起。最要命的是，产线环境一变（比如白天和晚上灯光不同），或者来一批新物料，算法可能就又不对了，得持续有人维护和优化。

我们厂里哪有这种AI工程师？外包维护费一年又得好几万，而且响应慢，等他们远程调试，产线早就停摆了。这条路也走不通。

坑三：被“全自动”概念忽悠了

也接触过一些方案商，吹得天花乱坠，说要打造“黑灯工厂”，从分拣到码垛全自动，报价动辄上百万。

冷静下来想想，我们小厂，产线不是为机器人设计的，物料筐大小不一，来料堆放也不规整。要实现那种级别的全自动，得把整个生产线推翻重建，投资太大，回本遥遥无期。我们核心要解决的，其实就是把“不合格品”从流水线上准确、快速地挑出来，其他环节人来做效率更高。

我们最终怎么选的，为什么

踩了一圈坑后，我们明白了：要找懂我们这行“特殊毛病”的，方案不能太贵，还得容易上手。

关键决策：聚焦核心痛点

我们不再追求“无人化”或“全自动”，目标非常明确：

1. 解决焊接缺陷（气孔、咬边、焊瘤）和关键尺寸的自动检出。

2. 系统要稳定，别老出故障，误报率要低。

3. 我们的人能操作，日常维护简单。

4. 总投入控制在一年能回本的范围里。

方案落地：软硬一体的专用机

最后选的是青岛一家专门做焊接件AI检测公司的方案。他们之前做过海上风电塔筒的焊缝检测，对反光表面、复杂缺陷有经验。

方案是软硬一体的专机：定制化的光源（解决我们镀锌件反光问题）、高分辨率工业相机，配他们训练好的针对金属焊接件的AI算法模型，再加一个简单的机械臂（只负责把识别出的次品拨到废料筐）。

整个实施过程大概一个月：

第一周，他们工程师来现场，在我们的产线上实际采集了各种工况下的产品图像，包括不同光照、不同批次物料。

第二、三周，他们用这些数据回去做算法优化和训练。

第四周，设备进厂，安装调试，并用我们当周的实时生产产品进行最后测试和校准。

最大的优点是，他们提供了一个“模型微调”的简单界面。以后如果我们产品工艺有微小变动，车间主任在电脑上导入几十张新图片，点几下就能让系统重新学习，不用等原厂工程师。

用上半年，效果到底如何？

从今年年初装好到现在，稳定运行了大半年。说几个最实在的变化。

省人、省心、良率稳

最直接的是，原来4个质检岗，现在减到2个。这2个人主要工作变成了抽检、复核系统判定结果、以及处理系统偶尔的“不确定”报警（系统会把没把握的单独分一类，让人工看一眼）。一年省下十来万人工成本。

良品率从原来的97%左右，稳定在99.2%以上。因为系统不知疲倦，夜班和白班一个标准，再也没发生过批量漏检。客户投诉几乎为零。

还没解决好的“小毛病”

当然也不是百分百完美。有两个小问题：

一是对极端脏污的部件容易误判。比如部件沾了一大块油污，系统有时会把它当成缺陷报警。这需要我们在上料前稍微注意下清洁。

二是初始投资比预想的高一点。整套下来花了不到四十万，虽然在我们预算内，但一开始肉疼。好在按省下的人工和减少的报废算，回本周期大概在14个月，属于能接受的范围。

如果重来，我会怎么做

回头看这段经历，如果让我重新选一次，我会在三个方面做得更聪明。

先试点，再推广

不会再一上来就想覆盖全产线。我会先挑一个痛点最明显、产品最标准的工位（比如最后一道成品检）做试点。跑通了，看到效果了，再往其他环节（比如焊接过程检）复制。这样资金压力小，风险可控。

把需求清单列清楚

和供应商谈之前，自己一定要把需求想透。不是泛泛地说“要检测”，而是列出：具体检测哪几类缺陷？每个缺陷的判定标准是什么？（比如气孔直径大于0.5mm才算）产线节拍要求多少？能接受的最大误报率是多少？把这些量化指标写在合同里，后面验收才有依据。

关注“持续服务能力”

买AI设备不是一锤子买卖。一定要问清楚：后续算法更新要不要钱？模型微调工具给不给？出现新问题响应速度多快？有没有成功服务过类似规模、类似产品的工厂？去实地看看，比听销售讲一百遍都有用。

给想尝试的同行几点建议

如果你也是做水面支架或者类似金属焊接加工的，正在考虑AI分拣，我作为过来人提几个醒：

别贪大求全。中小厂，解决一两个最疼的点就是胜利。从“检得准”开始，再想“检得快”、“全自动”。

供应商要挑“行业老手”。问他做过哪些具体案例，最好要同行业或工艺相近的。泛泛的“机器视觉”公司和深耕“焊接检测”的公司，给出的方案深度完全不一样。

算好经济账。别光听供应商算的“理想节省”，自己根据目前的报废率、客户扣款、人工成本，算一个保守的回本周期。一般18个月内能回本，就值得考虑。

最后说两句。上AI分拣，对咱们传统制造厂来说，是个需要下决心的投入。但它确实能解决人眼疲劳、标准不一这些老大难问题。我们厂上半年靠这个系统，平稳度过了两个赶工旺季，老板睡得踏实多了。

如果你也在琢磨这个事，不确定自己厂里的情况适不适合做、或者该从哪一步开始，可以先用像“索答啦AI”这样的工具评估一下。它可以根据你输入的产线情况、产品特点和预算，给你个大概的分析和建议，免费的。这比盲目找几家供应商来听他们吹牛要省事得多，至少心里能先有个谱。