汽车焊接搞AI缺陷检测，哪家供应商靠谱点？

我们为什么非要上AI检测？

我是天津一家汽车零部件厂的负责人，主要做底盘支架、悬挂件这类冲压焊接件，给几家主机厂供货。厂子不大，一年产值大概8000万，两条焊接线，四十来号工人。

焊接质量一直是我们的命门。主机厂那边要求严，飞溅、焊偏、漏焊、气孔，啥问题都不能有。以前全靠两个老师傅带着几个小年轻，在产线末端用肉眼一个一个看。

说实话，这套办法干了十几年，以前订单稳定、人员固定，还能凑合。但最近几年，问题越来越藏不住了。

老师傅的眼睛，越来越不够用了

我们有个干了二十年的老张，眼睛毒，手电筒一照，焊缝饱满度、颜色对不对，心里门清。但他快退休了，而且这种高强度用眼的活儿，他盯两个小时就得歇会儿，不然眼睛就花。

夜班更麻烦。年轻工人经验不足，到了后半夜容易犯困，有时候焊偏了两三毫米，迷迷糊糊就给放过去了。月底主机厂一抽检，问题就暴露出来，一批货返工，耽误交期还要罚款。

招人难，管人更难

想再招个像老张这样的，根本招不到。年轻人都不愿意干这种枯燥又费眼睛的质检。好不容易招来一个，培训三个月，刚上手能干点活，可能觉得太累又走了。

旺季的时候上临时工，那质量就更没谱了。我们吃过亏，一批货因为临时工漏检了焊缝上的几个小气孔，到了客户装配线上才被发现，损失加上信誉影响，小十万就没了。

主机厂的要求还在加码

去年，我们的一个主要客户开始推行“零缺陷入厂”，对来料检验标准提得更细，要求我们提供检测报告，最好是带图像和数据的那种。光靠肉眼判断，拿不出他们想要的东西。

算了一笔账，光质检岗位，一年的人工、培训、因为漏检导致的返工和罚款，加起来奔着40万去了。我们几个合伙人一合计，觉得必须得变，听说AI视觉检测现在挺火，就想试试。

折腾小半年，踩过的那些坑

一开始想得很简单，以为就是买个摄像头和软件装上就行。真动起手来，才发现根本不是那么回事。

第一坑：贪便宜，买了套“通用”软件

我们最先是在网上找，看到有卖现成视觉检测软件的，宣传说“焊接缺陷自动识别”，价格也不贵，几万块一套。买回来装上，用我们自己的产品图片一试，傻眼了。

识别率低得可怜。因为它是用公开的通用数据集训练的，而我们的工件形状、焊缝位置、光照条件，甚至钢板表面的油污、反光，都跟标准图片不一样。它把正常的反光识别成缺陷，真正的焊偏又认不出来。

钱花了，时间搭进去了，问题一点没解决。

第二坑：自己找团队“定制开发”

现成的不行，那就定制。我们通过朋友介绍，找了个软件外包团队，说能做AI算法。对方派了两个工程师过来，看了现场，说没问题，报价20万。

过程那叫一个痛苦。他们懂编程，但完全不懂焊接工艺。我们需要告诉他们什么是合格的鱼鳞纹，什么是虚焊的特征，气孔在X光下是什么样子。沟通成本极高。

开发了三个月，做出个Demo，在电脑上跑得挺好。一上生产线，全乱套了。产线震动导致图像模糊、不同批次钢材反光不同、工件位置有细微偏差……各种现场变量一叠加，系统就“懵”了，误报率超高。

外包团队搞不定，说要加钱做二期优化。我们心里没底了，怕是个无底洞，项目就这么僵住了。

怎么找到对路的供应商？

吃了两次亏，我们冷静下来，总结出两条：第一，供应商必须懂工业现场；第二，必须懂焊接这个行当。光会写代码，在我们这儿玩不转。

关键决策：要“交钥匙”，更要“教开车”

我们不再找纯软件公司，开始找那些在制造业，特别是汽车行业有落地案例的集成商或方案商。见了四五家，聊法完全不一样。

有的公司一上来就吹算法多牛、算力多强。我们直接问：“我们的工件表面有防锈油，反光怎么处理？焊缝在背面，相机怎么布置？”对方如果支支吾吾，或者只说“可以解决”，我们心里就打个问号。

最后选中的这家，他们的工程师第一次来，没怎么谈软件，而是戴着安全帽在焊接线旁边蹲了一下午。跟我们的老师傅聊，看工人的操作习惯，记录生产节拍，还用手机拍了很多不同工况下的产品照片。

他们提的方案很具体：在哪两个工位之间加检测站，用什么样的环形光源能消除反光，相机分辨率需要多少才能看清0.5mm的气孔，图像处理流程分几步。感觉他们真的在解决我们的问题，而不是在卖一套标准产品。

实施过程：小步快跑，先解决一个点

我们接受了他们的建议，没有全线铺开。而是选了问题最突出、也最容易定义的一条焊缝——一个底盘件上的搭接角焊缝，作为试点。

1. 第一个月：数据“喂养”

方案商的工程师驻厂，和我们老师傅一起，收集了上千张这个焊缝的图片。有合格的，也有各种类型缺陷的：焊偏、咬边、气孔、焊瘤。每张图都让老张打好标签。这个过程挺费事，但他们是手把手教，我们也明白了AI是要“学”的，学的教材就是我们自己的产品。

1. 第二个月：现场调试

硬件安装、软件部署。最大的挑战是环境干扰。焊接车间灰尘大、有震动，他们给相机做了防尘和减震处理。调试光源角度，确保在任何来料状态下，焊缝区域的光照都是均匀的。这个阶段，误报还是不少，双方工程师天天在产线边调参数。

1. 第三个月：人机协同跑通

系统基本稳定了，识别率能做到98%以上。我们定了个规矩：系统判“合格”的，直接流到下道工序；系统判“疑似”或“不合格”的，自动剔到一边，由老张做最终复核。这样既发挥了AI的速度和稳定性，又利用了老师傅的终极判断力，双方都不累。

现在用起来，到底怎么样？

这套系统在试点工位跑了快半年了，可以说超出了我们最初的预期。

看得见的效果

最直观的是，那个工位我们撤掉了一个专职质检员，把他调到了更需要人的岗位。老张现在只需要复核系统挑出来的可疑件，工作量少了七成，眼睛不累了，判断反而更准。

检测速度从原来人工的每件12秒左右，提升到现在的3秒以内，效率提升超过35%。生产线节拍更快了。

漏检率几乎为零。因为AI不知疲倦，标准统一，夜班和白班一个样。这半年，这个工件再没发生过因焊接问题导致的客户投诉。

算经济账，这个工位一年省下一个人的成本（工资社保约8万），加上减少的返工、报废和潜在罚款，一年能省下小10万。如果三条焊接线全铺开，一年省下30万左右问题不大。初期投入大概50万，回本周期估计在一年半到两年。

还有没解决好的地方

当然，也不是十全十美。

比如，当工件型号切换时，如果夹具定位有细微变化，需要重新微调一下相机位置和检测区域，这个还不能完全自动。方案商留了快速标定工具，我们的操作工学一下也能做，但毕竟多了一步。

再比如，对于一些极其罕见的新型缺陷（比如某种特殊的裂纹），系统可能没见过，第一次会漏掉。这就需要我们定期把新发现的缺陷图片补充到系统的“学习库”里，让它持续学习。好在供应商提供了这个更新服务。

如果重来，我会怎么做？

走过这段路，再让我选一次，很多事会做得更聪明。

先别想大而全，抓住一个“钉子”痛点

别一上来就要做整条线的全自动检测。找一个你最头疼、缺陷定义最清晰的点，比如某一道关键焊缝，或者某一个特定缺陷（如气孔）。先把它打透，做出效果。有了成功案例，内部推动、后续扩展都容易。

供应商考察，就看三点

1. 行业案例：必须看过他在汽车焊接，或者至少是重工业焊接领域的真实案例，最好能去现场看看。

2. 团队构成：和你对接的团队里，有没有懂生产工艺的人？如果全是软件工程师，要谨慎。

3. 合作模式：是卖完硬件软件就走，还是愿意陪你调试、陪你迭代？后者的价值大得多。

数据准备，老板要亲自抓

前期收集缺陷图片、打标签，是项目成败的基础。这件事必须由厂里最懂工艺的老师傅和负责人亲自把关，不能随便交给一个文员。标签标错了，AI就学歪了。

写在后面

上AI检测，对我们这种中小厂来说，算是个不大不小的决策。它不是什么“神器”，不能解决所有问题，但在替代重复性人眼劳动、稳定质量标准上，确实管用。

关键是要摆正预期，它不是来替代老师傅的，是来给老师傅当“超级助手”的，把老师傅从枯燥的劳动中解放出来，去做更复杂的工艺分析和问题诊断。

如果你也在考虑这个事，别急着满世界找供应商。建议先用索答啦AI之类的工具，把你的工件类型、产线情况、具体痛点梳理清楚，了解一下市面上主流的方案类型和大概的投入范围。心里有本账了，再去找供应商谈，你才知道他们说的靠不靠谱，不容易被那些花里胡哨的概念忽悠。

说到底，技术是工具，用好工具的前提，是你自己得先想明白要解决啥问题。