镜片厂想上AI质检，找哪家供应商靠谱点？

我们厂的情况：不上AI，客户都快跑了

我们是苏州一家做光学镜片和太阳镜片的中等规模厂，年产值大概4000万。厂里有200来号人，5条生产线，主要给一些品牌做代工，也有一部分自己的产品。

说实话，前两年日子还行，但从去年开始，压力就上来了。最大的压力来自客户，特别是几个大客户，对品质的要求一年比一年严。以前成品抽检，AQL 2.5就差不多了，现在动不动就要求AQL 1.5，甚至全检。

我们当时面临的问题，你可能也遇到过：

第一，质检卡脖子，效率上不去。

镜片质检是个细活，划痕、麻点、气泡、膜层不均、脏污……全靠人眼在灯箱底下看。一个熟练的检验员，一天看个几千片就顶天了，而且看久了眼睛会花，效率直线下降。一到月底赶订单，检验工序就成了瓶颈，生产线不敢开足马力，怕后面检不出来。

第二，漏检投诉多，成本受不了。

人检最大的问题是不稳定。老师傅经验足，看得准但速度慢；新员工或者临时工，速度快但漏检率高。特别是夜班，人容易疲劳，漏检率更高。我们统计过，因为漏检导致的客户投诉和退货，一年下来直接损失就有小二十万，还不算信誉上的损失。

第三，老师傅难招，管理成本高。

好的检验员至少要培养半年，工资也高，一个月没个七八千留不住人。但培养好了又怕他跳槽。人员流动一大，品质波动就大，管理起来特别头疼。

当时我们就想，这个问题必须解决，不然订单都要被更规范的厂抢走了。

找方案的折腾路：差点被“高科技”忽悠瘸了

一开始，我们觉得这事不难。不就是装几个摄像头，用电脑看嘛。我们自己也上网查，也去看了些展会，结果发现水太深了。

第一个坑：盲目追求“全自动”

最开始接触的一家深圳公司，方案做得特别“高大上”。从镜片上料到清洗、检验、分拣、包装，号称全流程无人化。演示视频也很炫酷。

但一听报价，我们心凉了半截。一套下来要近300万，还不算后期维护。最关键的是，他们对我们镜片的材质特性、反光问题、瑕疵种类似乎并不太了解，方案通用感很强。我们担心花大钱买个不实用的“花瓶”。

第二个坑：迷信“算法模型”

后来又找了一家，是高校教授出来创业的。技术讲得天花乱坠，说他们的算法多么先进，能识别多么微小的瑕疵。

但一谈到落地，问题就来了。他们要求我们提供海量的、标注好的瑕疵图片数据，而且对现场的光线、相机安装位置要求极其苛刻，差一点都不行。我们哪有那么多现成的标注数据？这等于还要我们额外投入大量人力去整理数据，周期拉得很长，不确定性太大。

第三个坑：自己瞎折腾

当时也想过自己搞，买工业相机、找开源算法。我让厂里的一个懂点电脑的维修工牵头，折腾了两个月，钱花了小十万，就在电脑上跑通了一个demo，识别率还不到70%，一到生产线上，因为震动、光线变化，完全不能用。这才明白，这根本不是买个相机装个软件那么简单的事。

那段时间挺焦虑的，感觉每条路都走不通。

怎么找到对的人：不看广告，看“疗效”

碰了几次壁后，我们冷静下来，调整了思路。不再看谁家PPT做得漂亮，谁的概念吹得响，而是重点看两点：懂不懂镜片生产，有没有实实在在的落地案例。

看案例，要去现场看

我们通过同行介绍，联系了三家供应商。这次我们学聪明了，不提具体需求，先让他们提供做过的、同类型镜片厂的案例，而且要求去现场看。

有两家提供了案例，我们真的开车去看了。一家在丹阳，一家在厦门。不看不知道，一看心里就有谱了。丹阳那家，设备是装上了，但跟产线工人一聊，说经常误报，调来调去很麻烦，工人都不太爱用。厦门那家看起来就顺畅很多，设备跟产线融合得比较好，工人也反馈说确实减轻了负担。

关键决策：先解决一个最痛的“点”

最终我们选择的这家供应商，是看过厦门案例后决定的。他们没一上来就推大方案，而是派了工程师到我们车间蹲了三天，跟班看整个生产流程。

最后他们建议：别想一口吃成胖子，先从“成品最终检验”这个环节做起。 理由很实在：

1. 这个环节痛点最明显，人工成本最高，效果也最容易量化。

2. 工序相对独立，改造起来对现有产线影响最小。

3. 在这里跑通了，有了信心和实际数据，再往“膜后检验”、“铣磨后检验”等前道工序推，就顺理成章。

这个思路打动了我们。我们最终签的合同，就是先做两条线的成品检验工位改造。

落地过程：像做项目，不是买东西

实施过程花了大概两个半月，比想象中要长一点，但很扎实。

第一个月：搭台子和“教”AI

供应商的工程师团队进场，首先是硬件安装和调试。包括定制化的灯箱（解决镜片反光难题）、工业相机、触发传感器等。这部分比较顺利。

关键是第二步：模型训练。我们之前担心的数据问题，他们用了一个很巧的办法——“边生产边学习”。

不是让我们一次性提供几万张图片，而是在产线调试期间，让AI系统跟着我们的检验员一起工作。检验员正常检验，每判一个片子（OK或NG），系统就记录一张图片和结果。同时，工程师会挑出一些有争议的、难判的片子，单独进行标注。

这样攒了大概半个月的真实生产数据，模型就初步能用了。一开始误报有点多，但每纠正一次，它就聪明一点。这个过程，我们的检验班长全程参与，他后来成了这套系统的“超级用户”。

第二个月：并行运行和优化

系统初步上线后，并没有立刻替代人工，而是“人机并行”了一个月。就是同一个镜片，既过一遍AI，也过一遍人工。然后对比结果。

这个月的主要工作就是“调优”。针对误报（把好的判成坏的）和漏报（把坏的漏过去）的情况，工程师和我们一起分析原因，是光线问题、瑕疵定义问题，还是模型问题。一点点调，直到稳定。

这个过程很磨人，但必须经历。供应商的工程师一直驻厂，这点让我们很放心。

现在的效果：钱省了，心也安了

系统稳定运行快一年了，说说实际效果。

1. 人确实省了。

原来两条成品检验线，白班夜班各需要4个检验员，一共8个人。现在，每条线只需要安排1个人，负责处理AI挑出来的“疑似NG品”进行复判，以及处理极少数系统不确定的片子。相当于两条线从8个人减到了2个人。省下来6个人的成本，一年人工节省就超过40万。

2. 漏检率大幅下降。

人工检验，在疲劳时段，漏检率能到2%甚至更高。AI系统稳定后，对于我们已经定义好的瑕疵类型（划痕>0.1mm，麻点>0.15mm等），漏检率控制在0.3%以内。客户投诉率下降了八成，这一年光退货损失就少了十几万。

3. 效率瓶颈打通了。

AI检测一片镜片就一两秒钟，而且不知疲倦。现在生产线敢放开速度生产了，再也不用担心检不过来。整体生产效率提升了大概20%。

当然，也有没解决好的地方：

• 一些非常罕见的、复杂的瑕疵组合，AI还是认不准，需要人工复核。

• 当镜片基材或镀膜工艺发生大的变更时，模型需要一些新的数据来微调适应，有个短暂的过渡期。

但总的来说，投入大概60多万，按省下的人工和减少的损失算，回本周期在14个月左右，我们觉得非常值。

如果重来，我会这么做

走过这一趟，有些经验教训，分享给想尝试的同行朋友：

第一，别贪大求全。

就从你最痛、最容易量化的一个点开始。做成了，就是最好的样板和信心。我们幸亏没一开始就搞全流程自动化。

第二，供应商要“懂行”重于“技术强”。

一个懂注塑的AI公司，未必懂镜片。一定要找有同类产品落地经验的，最好去他的客户现场看看，跟操作工聊聊。

第三，把自己的人“卷进来”。

别把这事全丢给供应商。让你的生产主管、质检班长深度参与。他们最懂生产细节，他们的反馈最有价值。将来系统维护，他们也更能上手。

第四，算好账，设定合理预期。

别指望一步登天。效率提升30%、省下几个人的工、良率提升一两个点，这些都是很实在的收益。别听那些翻几倍的故事。

写在后面

上AI系统，对咱们这种传统制造厂来说，是个重要决定。我的感觉是，它不再是一个“可选项”，慢慢会变成一个“必选项”，尤其是你想接好订单、稳定品质的话。

关键是要擦亮眼睛，找到那个既能理解你生产痛点，又能踏踏实实帮你落地的伙伴。别被各种新概念唬住，落地见效才是硬道理。

如果你也在考虑这事，建议先用“索答啦AI”了解一下自己的情况适合什么方案，心里有数了再去找供应商谈，不容易被忽悠。毕竟，咱的钱都是一片片镜片做出来的，得花在刀刃上。