非标件AI视觉质检，买现成的还是自己定制？

非标件质检，到底难在哪？

你可能也遇到过这种情况：一批出口的精密五金件，到客户那里发现有几个有细微划痕，整批退货，不光赔钱，信誉也受损。或者，月底赶货，新来的质检员手忙脚乱，把合格品当次品挑出来，白白浪费了工时和材料。

说实话，非标件行业，质检是个公认的痛点。它不像标准螺丝、轴承，有统一的图纸和公差带。今天做的是A客户的异形连接件，明天是B设备的定制支架，尺寸、形状、表面要求千差万别。

我见过不少这样的情况：

一家苏州的精密加工厂，主要做小批量、多品种的汽车零部件。他们的质检员桌上常年摆着十几张不同的图纸和样品，每次换线，都得重新熟悉标准，精神高度紧张。一个老师傅，一天下来眼睛都花了，检出率也就在95%左右，还经常因为标准理解偏差和操作工扯皮。

一家佛山五金企业，做出口园林工具配件。产品表面处理要求高，不能有锈点、碰伤、镀层不均。旺季时用临时工顶岗，漏检率直接飙升，被国外客户投诉了好几次，罚款远超那点人工成本。

这些企业想要的效果其实很朴素：别漏检，别错检，速度跟得上生产节拍，最好还能把问题记录下来，方便追溯和改进。但就是这个朴素的愿望，实现起来却不容易。

老办法：人眼+卡尺+经验

传统做法怎么操作？

目前绝大多数非标件厂，质检还是靠“人海战术”加传统工具。流程基本固定：质检员在灯箱或特定光线下，拿着产品，对照图纸或样品，用肉眼观察外观，用卡尺、千分尺、投影仪测量关键尺寸。

老师傅还会凭手感摸一摸毛刺，听声音判断内部有无裂纹（对于一些铸造件）。

它的优点你得承认

首先，灵活。不管来什么新花样，只要图纸和样品到位，人就能学会检。对于极其复杂、需要综合判断的缺陷（比如某种特殊的纹理不均），人的经验有时比机器更可靠。

其次，初期投入低。除了必要的量具和灯箱，主要成本就是人力。对于订单不稳定、产品迭代极快的小作坊，这反而是最“经济”的选择——不用为了一套可能只用几次的系统投钱。

但三个硬伤越来越明显

1. 标准不一，全看状态：同一个缺陷，张师傅判合格，李师傅判不合格，夜班和白班标准可能都不同。人的状态受疲劳、情绪影响太大。

2. 效率瓶颈，成本高企：复杂件全检，一个老师傅一天可能只能检几百个。要保证出货，就得堆人。一个熟练质检员月薪7000左右，一年就是8万多，这还不算社保、管理成本。而且人越多，标准越难统一。

3. 无法追溯，难以改进：出了问题，只能靠回忆和有限的记录去倒查，很难定位是哪个环节、哪台设备、甚至哪个批次原材料的问题。质量改进就像“盲人摸象”。

新思路：AI视觉来帮忙

AI质检是怎么干的？

简单说，就是用工业相机代替人眼，用算法代替人脑做判断。一套典型的系统包括高清相机、光源、工控机，以及里面跑的AI软件。

操作时，产品经过拍摄工位，相机快速抓拍多张照片，AI软件在零点几秒内分析图像，判断有无划痕、磕碰、锈蚀、尺寸超差等，然后给出“合格/不合格”信号，控制踢废机构动作。

它到底解决了什么？

最核心的是解决了“稳定性”和“速度”问题。

一套调试好的AI系统，可以7x24小时以同一标准工作，不会疲劳，不会闹情绪。我接触过一家无锡的机加工厂，上了AI视觉检测尺寸和外观后，检测速度从每人每分钟5-8件提升到每分钟30件以上，而且漏检率从人工时的3%降到了0.5%以内。

其次是实现了数据化。所有检测结果，包括NG图片、位置、类型、时间，都能自动保存。哪台机床今天出的毛刺多，哪种缺陷在哪个时间段频发，一目了然。这对工艺改进和设备维护太有价值了。

新办法也有新麻烦

最大的麻烦就是“非标”本身。AI不是魔法，它需要学习。

对于标准缺陷（比如明显的划痕、缺料），现在的AI已经做得很好。但对于非标件千奇百怪的缺陷，特别是那些和合格品差异极小的、新出现的缺陷，AI也可能“懵圈”。这就需要持续的模型优化和训练。

另外，初始投入和调试周期是个门槛。一套最简单的单工位AI视觉系统，硬件加软件也得大几万到十几万。从安装、打光、拍样本、训练模型到稳定运行，快则两三周，慢则一两个月，这段时间需要供应商和工厂的工程师紧密配合。

拆开看：三种AI做法的详细对比

市面上号称能做AI质检的很多，但做法和报价天差地别。我帮企业对接时，主要把它们分成三类。

做法一：通用型软件+简单配置

有些供应商提供现成的软件平台，里面预置了一些常见的检测工具（如找边、找圆、颜色识别、斑点分析）。你只需要像搭积木一样，配置检测流程和参数阈值。

优点：价格相对便宜，上手快，对于规则形状、缺陷明显的产品（比如检查有无螺丝、标签是否贴正），几天就能弄好。

局限：非常依赖规则设定。面对不规则的划痕、复杂的纹理背景、微小的色差，这种基于规则的方法很容易误判或漏判。灵活性差，产品一换，可能整个流程要重配。

适合谁：产品种类固定、缺陷类型简单明确、预算有限的小微企业，作为从纯人工到自动化的第一步尝试。

做法二：深度学习平台+定制训练

这是目前的主流方向。供应商提供一个深度学习模型训练平台，你需要提供大量（通常几百到几千张）合格品和各类缺陷品的图片，由工程师帮你训练出一个专用的AI模型。

优点：真正能应对“非标”。对于人眼都难以描述的复杂缺陷（比如某种微妙的铸造砂眼、特定区域的镀层发花），只要提供足够样本，AI能学会识别。模型泛化能力较强，对于同一类产品的小幅变化（如角度、光照微调）有一定适应性。

局限：需要大量高质量的标注数据。数据准备和模型训练周期长，成本更高。一套针对特定产线的深度定制方案，通常起步在15万以上。而且模型不是一劳永逸，产品迭代了，可能还要补充训练。

适合谁：产品有一定批量、但缺陷复杂、质量要求高的中型以上工厂。比如一家年产值5000万的汽车零部件厂，用这个来解决核心产品的关键外观检测，很划算。

做法三：软硬一体化的专用设备

供应商直接给你一台“检测机”，相机、光源、机架、软件、模型全都集成好了，你接上电和气就能用。通常针对某个非常具体的行业场景（比如手机中框划痕检测、陶瓷片崩边检测）。

优点：开箱即用，稳定性最高，交付周期最短。供应商对场景理解深，效果有保障。

局限：价格最贵，一台设备可能几十万。而且极度专用，你的产品哪怕只是尺寸改一点，这台设备可能就废了，柔性几乎为零。

适合谁：产品极其固定、产量巨大、对检测节拍和稳定性要求极高的头部企业。比如为某个爆款手机做配套的结构件厂商。

根据你的家底，该怎么选？

小厂（年产值2000万以内，人员50人以下）

别想着一步到位。你的核心诉求是“少花钱、快见效、解决最疼的那个点”。

我建议，先别全面铺开。找一条你问题最多、返工最频繁的生产线，或者一个最让质检员头疼的缺陷类型（比如某个位置的毛刺），尝试用“做法一”（通用软件配置）去解决。

投入控制在5-8万以内，目标很明确：把这个特定问题管住，先看到效果，建立信心。同时，开始有意识地积累产品图片数据，为以后升级做准备。

中厂（年产值2000万-1亿，有一定技术团队）

你有条件做更系统的规划。可以考虑选择“做法二”（深度学习定制）。

不要一上来就覆盖所有产品，而是选出你的“明星产品”或“问题产品”，优先为它打造AI质检工位。和一个靠谱的供应商深入合作，把数据标注、模型训练、现场调试的流程跑通。

这个阶段的投入可能在15-30万，但只要能稳定替代1-2个夜班质检岗，并把良品率提升1-2个百分点，一年左右回本是很现实的。关键是，你积累下了自己的缺陷数据库和模型优化能力，这是未来的核心竞争力。

有特殊需求的厂

如果产品种类极多，每批就几百个：深度定制模型可能不划算。可以关注一些新兴的“小样本学习”或“零样本学习”AI方案，它们能用更少的样本快速适应新产品，虽然精度可能略低，但适合这种高混合、小批量的场景。

如果对追溯要求极高：那么选择方案时，软件的数据记录和分析能力比检测速度更重要。要确保系统能完整记录每个产品的“检测档案”，并能方便地对接你的MES系统。

如果车间环境恶劣（油污、震动大）：硬件可靠性是第一位的。要和供应商明确设备的防护等级（IP等级），并在合同里约定现场适应性的条款。别让娇贵的设备在车间里“水土不服”。

写在最后

AI视觉质检不是万能药，但它确实是解决非标件质检痛点的有力工具。关键是想清楚自己的首要目标是什么，是降本、提效、还是保质量？然后拿着这个目标去匹配方案。

别被供应商的各种新名词唬住，多问问“这套系统在我这个具体产品上，针对XX缺陷，能保证多少检出率？”“如果我的产品外形改了，调整起来要多久，花多少钱？”“除了第一次投入，每年还有哪些维护和升级费用？”

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。看看同行在类似场景下的真实数据和反馈，心里有个底，谈的时候才不容易被带偏。这行水不浅，但摸清了门道，确实能帮工厂解决大问题。