色谱仪生产线上AI质检，到底值不值得搞？

凌晨两点的色谱仪生产线，出了什么问题？

上周五凌晨两点，我接到一个朋友的电话，他是苏州一家色谱仪厂的生产主管。电话那头声音又急又燥：“老张，又出事了！夜班赶出来的20台气相色谱仪，早班复检发现3台基线噪声超标，现在客户催着要货，返工都来不及！”

你可能也遇到过类似的情况。色谱仪这种精密仪器，生产环节多，最后一道成品性能测试是关键。通常需要把仪器上电，通入标准样品，跑一个完整的测试程序，然后有经验的老师傅盯着电脑屏幕上的色谱图，看峰形、看基线、算分离度、评估噪声水平。

这个过程，一台仪器少说20分钟，碰上复杂的液相色谱，可能要40分钟。

问题就出在这里：测试过程高度依赖人工判断。夜班老师傅少，大多是经验一两年的年轻技工，或者旺季招的临时工。人一疲劳，注意力不集中，就可能把一个小小的毛刺峰忽略掉，或者把基线轻微漂移判定为合格。等到第二天白班复检，或者更糟——到了客户手里才发现问题，那就是大事故了。

我朋友那家厂，一年产值大概5000万，这种因为夜班漏检导致的批量性返工，一年总要发生三四次，每次直接损失（物料、工时、延期交付）加上信誉损伤，少说十几万就没了。

为什么传统的质检方法越来越“扛不住”？

表面看，是“人”的问题

大家首先想到的肯定是人的问题：夜班精神差、新员工经验不足、老师傅数量有限。所以很多厂的管理办法是“加人”或者“加钱”——多配一个复检岗，或者给夜班加绩效奖金。

但这治标不治本。加人，意味着一年又多了七八万的人工成本；加钱，短期有效，时间一长疲劳感该来还是会来。而且色谱仪的判断标准，很多是“模糊”的经验值，比如“基线要平”，多平算平？“噪声要低”，多低算合格？不同老师傅的尺度可能都不一样。

深层看，是“标准”和“效率”的矛盾

更深层的原因，是生产节奏加快和质检标准严苛之间的矛盾。

现在客户交货期压得紧，生产线必须三班倒。但高标准的质检偏偏需要慢工出细活，需要经验沉淀。你想让质检又快又准，这本身在传统模式下就是矛盾的。

以前靠老师傅带徒弟，手把手教，但这个周期太长，没个两三年出不了师。而且老师傅的经验是“只可意会”的隐性知识，很难变成所有人都能执行的白纸黑字的标准。

为什么上自动化设备也不行？

有老板会说，那我们买自动测试台，让机器自动跑程序、出报告不行吗？

很多厂试过。但问题在于，标准化的自动测试台，只能判断“通过/不通过”，它解决不了“为什么”和“怎么办”。

比如，测试报告显示“基线噪声超标”，是电路板某个元件的问题？是检测器污染？还是气路有轻微泄漏？自动测试台给不了答案，还得老师傅过来，结合波形图的具体形态，像老中医号脉一样去诊断。

所以，单纯的自动化，只是把体力劳动变成了看报告的眼力劳动，核心的判断和诊断瓶颈，一点没解决。

AI质检的思路：不是替代人，而是把经验“固化”下来

这类问题的解决关键，不在于找更厉害的人，或者买更贵的设备，而在于把老师傅脑子里那些“只可意会”的判断逻辑，变成机器能理解、能执行的明确规则。

AI视觉质检的思路，正好契合这一点。它干的事，说白了就是“模仿学习”和“量化判断”。

它是怎么工作的？

我们以一个佛山做液相色谱检测器的厂家为例。他们之前最头疼的是紫外检测器的能量测试曲线判读。

他们的做法是：先收集过去半年里，老师傅判定为“优秀”、“合格”、“勉强合格”和“不合格”的所有测试曲线图，总共好几千张。这里面包含了各种情况：基线漂移、噪声毛刺、峰形拖尾、灵敏度不足等等。

然后，让AI算法去学习这些图片。AI会自己找出“合格”曲线和“不合格”曲线在像素层面的特征差异。比如，合格的基线，其像素点的灰度值变化在一个很窄的、平稳的范围内波动；而不合格的曲线，波动范围又大又乱。

学完之后，AI就形成了一套自己的“判断模型”。当新的测试曲线出来，AI不是简单地比对模板，而是用模型去分析：这条曲线的波动模式，更像以前学过的“合格”样本，还是“不合格”样本？并给出一个概率值，比如“98%概率为合格”，或者“87%概率为噪声超标，疑似电路问题”。

一个看得见效果的案例

无锡一家给色谱仪配套生产自动进样器的企业，规模不大，一百来人。他们的痛点是在组装完成后，要测试进样针的定位精度和重复性，靠人眼看摄像头拍下的定位刻度，误差大，速度慢。

他们去年尝试在一个工位上部署了AI视觉系统。做法很稳妥：没有全盘替换，而是在人工复检之前，先让AI系统预判一遍。AI会快速分析进样针在多个位置的照片，判断定位偏差是否在20微米以内。如果AI判定为合格，就亮绿灯，工人快速确认即可；如果AI判定为可疑或不合格，就亮红灯并提示可能的问题方向（如“X轴正向偏移偏大”），工人再重点复查。

半年跑下来，效果数据是这样的：那个工位的检测速度提升了30%左右，因为大部分简单判断AI代劳了。漏检率（把不合格品放行）从原来人工时的约1.5%降到了0.3%以下。更重要的是，他们把这个过程中AI“学到”的判断特征（比如哪些像素区域的对比度最能反映偏移），整理成了几条简单的作业指导书，用来培训新员工，新员工上手快多了。

整个系统，硬件加软件，投入大概15万，按照他们测算的节省下来的人工成本和减少的客户投诉返修，大概10个月回的本。

如果你的厂也想试试，该怎么起步？

什么样的企业适合做？

不是所有厂都需要立刻上。我觉得可以先看三点：

1. 质检是不是你现在的瓶颈？ 如果你们产能充足，质检人员也不紧张，那可能优先级不高。但如果经常因为质检卡脖子，耽误交货，或者质检人员流动大、培训难，那就值得考虑。

2. 问题是否容易“可视化”？ AI质检目前擅长处理图像、波形图这类视觉信息。如果你的质检核心是看屏幕上的色谱图、看仪表的指针读数、看产品外观的划痕和装配缝隙，那就比较适合。如果核心是听声音、闻气味或者复杂的触感，那现阶段AI还不太好做。

   

3. 有没有一定的数据基础？ 不需要大数据，但至少能有几百个历史案例（好的、坏的）图片或数据，这样AI才有东西可学。如果你们所有记录都是纸质报告，那第一步还得先做数据电子化。

从哪里开始最稳妥？

我强烈建议，不要一上来就搞“全流程AI智能工厂”，那是大厂玩的。对于中小厂，从“单点突破”最稳妥。

1. 选一个痛点最明确的环节。 别贪多，就选一个让你最头疼、出错成本最高、或者最耗人工的质检点。比如，就是文章开头说的那个成品性能测试的波形判读环节，或者某个关键零部件的外观全检。

2. 找一个能做“软硬结合”的供应商。 别找只卖软件算法的，也别找只卖工业相机的。要找能根据你的现场环境（光线、设备布局、网络条件）给你搭一套完整方案的公司。包括相机怎么架、灯光怎么打、图片怎么传到服务器、结果怎么显示给工人看。这事软硬件脱节了，绝对搞不成。

3. 明确验收标准。 和供应商谈的时候，别说“要提高效率”，要说“这个工位检测时间要从平均25分钟降到18分钟以内”。别说“要减少漏检”，要说“漏检率要从现在的1.2%降到0.5%以下”。用可衡量的数据说话。

预算和时间要准备多少？

根据我帮几家厂对接的经验，一个工位的AI视觉质检项目：

• 预算范围： 小厂，8万到20万之间。主要看硬件配置（用普通工业相机还是高端线阵相机）、现场改造难度、以及软件算法的复杂程度（是标准的尺寸测量，还是复杂的纹理、缺陷识别）。

• 时间周期： 从立项到上线稳定运行，一般3到5个月。这里包括现场调研、数据收集、算法训练、现场部署调试、试运行优化这几个阶段。想一两个月搞定的，基本不现实。

• 回本周期： 如果选点选得准，通常8到14个月能通过节省的人工和减少的废品损失把投资收回来。之后就是纯收益了。

写在最后

说到底，AI质检不是什么神秘的高科技，它就是一个工具，一个能把老师傅宝贵经验“固化”下来、24小时不知疲倦工作的工具。它不一定会取代老师傅，而是把老师傅从重复枯燥的判断中解放出来，去处理更复杂的故障诊断和工艺优化。

对于色谱仪这种多品种、小批量、高要求的生产特点，这种“柔性”的智能化改进，可能比那种投巨资搞全自动流水线更实际，也更容易看到效果。

如果你也在琢磨这事，不确定自己厂里哪个环节最适合、或者大概要投入多少，我建议别急着到处找供应商报价。可以先自己梳理一下，或者用一些在线的评估工具做个初步分析。比如，不确定自己适不适合做、该怎么做的，可以先用“索答啦AI”评估一下，免费的，比直接找供应商省事。心里有个底，再去和供应商谈，就不会被牵着鼻子走了。