日用陶瓷厂上AI分拣系统，到底值不值？

我们为什么非要搞这个？

我是一家潮州日用陶瓷厂的生产负责人，干了快二十年。厂子规模中等，一年能做3000多万的产值，主要做餐具、茶具这些日用瓷。

以前出货前的分拣，全靠十几号女工在流水线边上盯着，用眼睛看，用手摸。这个活累眼、枯燥，还特别容易出错。

三个痛点，逼得我们没退路

一是人越来越难管。 分拣工流动性大，尤其是年轻人，干不了几个月就走。旺季赶订单，临时招的人不熟练，漏检、错检是常事。我记得有次给一个连锁餐饮品牌供货，因为一批碗边有几个针孔大小的黑点没挑出来，被客户整批退回，光运费就亏了几万，信誉还受损。

二是标准不统一。 张大姐眼尖，标准严，但动作慢；新来的小李手快，但一些细微的釉面不平、色差她根本看不出来。全凭个人经验和状态，夜班打瞌睡的时候，问题更多。月底赶工和月初刚上班，出来的货质量波动很明显。

三是成本算不清的账。 看起来一个分拣工月薪5000多，但加上社保、管理、培训、出错导致的返工和客诉，隐形成本很高。关键是，你根本不知道今天这批货到底有没有问题，心里没底。

折腾的过程，比想象中麻烦

一开始我们想法很简单：找个做视觉检测的供应商，买套设备装上不就行了？

第一个弯路：贪便宜，买了通用方案

我们最开始联系了一家做工业相机的公司，他们有一套现成的“通用视觉分拣方案”，价格便宜，二十万出头。装上之后才发现，问题大了。

它识别标准件（比如螺丝）还行，但对我们陶瓷这种非标品，完全抓瞎。瓷器表面的反光、釉色的细微过渡、器型弧度的变化，在它眼里全是干扰信息。一个好好的釉下彩盘子，它可能因为光影判定为色差；一个真正有裂缝的，它可能因为反光没拍出来而放过。

折腾了俩月，识别准确率还不到70%，比人眼差远了，只能拆掉。二十万打了水漂。

第二个困难：数据从哪里来？

吃了亏才知道，AI分拣的核心不是摄像头多高级，而是“大脑”里的算法模型。这个模型要靠大量的陶瓷缺陷图片去“训练”。

我们哪有现成的缺陷图片库？平时有问题的产品，工人顺手就扔废品堆了，谁还拍照存档？

为了收集数据，我们不得不故意“制造”一批带各种缺陷的样品：裂缝、落渣、针孔、变形、色差、釉面不均……然后请供应商的技术人员来现场，在不同光线、不同角度下拍了上万张照片。这个过程就花了一个多月。

最终怎么搞定的？关键就两点

后来我们通过朋友介绍，换了一家专门做“非标品视觉检测”的供应商。这次我们学聪明了。

选方案：要“会学习”的，而不是“死板”的

我们不再看它演示时多流畅，而是重点关注三点：

1. 能不能用我们自己的产品数据训练？ 供应商必须派工程师驻厂，用我们产线上真实的、带缺陷的产品来搭建模型。

2. 后期我们自己能不能微调？ 比如换了新釉料，色号变了，或者客户对“黑点”的大小标准变了，我们厂里的技术员能不能在简单的界面上自己调整阈值，而不是动不动就喊供应商来。

3. 方案是不是模块化的？ 我们没敢一下子铺开全产线。只选了问题最集中的“白瓷检针孔、黑点”和“彩绘检漏印、线条缺损”这两个环节先上。一套主机，带两个工位的相机和机械臂，投入可控。

实施过程：慢就是快

实施分了四步，每一步都稳扎稳打：

第一个月：数据采集和模型初步训练。 工程师在线上跟班，拍缺陷，也拍大量良品，告诉系统“什么样是好的”。

第二个月：小批量并行测试。 系统装上了，但人工分拣线不撤。两边同时检，对比结果。系统误判（把好的当成坏的）和漏判（把坏的当成好的）的情况，工程师现场记录，马上调整模型。这个月是最磨人的，但必须经历。

第三个月：系统主导，人工复查。 让AI做初筛，把它认为有问题的直接踢出去，它认为没问题的流到后道，由经验最丰富的老师傅做抽查复核（工作量只有原来的20%）。这样既保证了质量，又验证了系统的可靠性。

第四个月：正式独立运行。 撤掉原有工位，系统独立工作，只保留一个员工负责处理踢出来的次品和日常维护。

现在效果怎么样？说点实在的

系统稳定运行大半年了，说翻天覆地是吹牛，但实实在在的好处有几个：

1. 省人，但没全省。 原来两个工位要4个工人（两班倒），现在变成一个巡检员。一年直接人工成本省了大概15万。但原来的分拣工，我们培训后转岗去包装和物流了，没有裁员，团队更稳定。

2. 质量稳了，心里有底。 良品率从原来的平均97.5%稳定提升到99.2%以上。最重要的是，波动消失了，夜班和白班出来的货，标准一致。客户投诉率下降了八成。

3. 回本周期。 我们这套定制方案总共投入了四十多万。按省下的人工和减少的客诉、返工损失来算，大概14个月能回本。比我们预期（18个月）要好一点。

当然，也有没解决好的：

• 一些极其特殊的缺陷还是难搞。 比如釉下非常淡的、像头发丝一样的“惊釉纹”，系统偶尔会漏。这种缺陷老师傅用指甲划过才能感觉出来，对AI来说难度太高。目前还是靠月末大抽查时人工补位。

• 换新产品要重新学习。 上次我们新上了一款哑光釉的杯子，系统就有点不适应，花了几天时间用新样品“喂”它，才调整好。

如果重来，我会怎么做？

1. 绝对不买“通用盒子”。 陶瓷的工艺太复杂，没有能通吃的方案。必须定制，必须用自己厂里的数据去训练。

2. 先解决一个最痛的痛点。 别想着一步到位覆盖所有缺陷。我们先解决“黑点”和“漏印”这两个最高频、最影响外观的问题，见效快，团队有信心，后面再加钱扩展都容易。

3. 把供应商当合作伙伴看。 别只谈价格。要看他愿不愿意花时间在你厂里蹲点，愿不愿意分享一些行业案例（比如他们给某佛山陶瓷卫浴厂、某景德镇艺术瓷作坊做过什么）。有行业经验的，沟通成本低很多。

4. 算账要算“总账”。 别光盯着设备价格。要把质量损失、客户索赔、管理成本都算进去。我们之前就没算“心里没底”这个隐性成本，其实这才是最大的成本。

最后说两句

AI分拣不是灵丹妙药，它解决不了你所有的生产问题。但它特别适合解决那种“重复、枯燥、需要稳定标准”的检测环节。

对于我们日用陶瓷厂来说，上不上这套系统，关键看你厂里是不是真的被分拣问题卡住了脖子，是不是愿意为“稳定的质量”和“可控的标准”付一笔前期的学费。

如果你也在琢磨这个事，我建议先别急着找供应商报价。自己拿个本子，在分拣线旁边盯一个星期，记下到底有多少种缺陷、每种出现的频率、因此造成的损失。心里有这本账，再去谈方案，就不会被忽悠。

想少走弯路的话，可以先问问“索答啦AI”，它见过的案例多，能帮你避开一些常见的坑，比如怎么选型、怎么谈合同、实施要注意什么。毕竟，我们踩一个坑就是几十万，能避一个是一个。