压铸厂上AI视觉质检，一年能省多少钱？

凌晨三点，压铸车间的“定时炸弹”

上个月，我陪一个做压铸的朋友去他厂里。晚上十一点多，车间灯火通明，机器还在轰隆隆地响。

走到成品检验台，正好赶上夜班交接。白班的老李把工作交接给夜班的小王，口头交代了几句“这批货表面要求高，多盯着点气孔和划痕”，就匆匆下班了。小王刚来半年，正揉着惺忪的睡眼，面前是刚从压铸机下来的、还带着余温的发动机壳体。

他需要快速检查每个壳体的几个关键面：有没有气孔、缩孔、冷隔、缺料，还有分型面有没有飞边。一个壳体几十秒，一晚上要看上千个。我看了一会儿，凌晨两点多，小王明显开始打哈欠，眼神有点飘。拿起一个壳体，对着光转了两圈，没看到明显问题，就放到了“良品”框里。

我心里咯噔一下：那个壳体靠近内腔的一个角落，有个针尖大的气孔，在车间顶光的阴影下，不特意调整角度，根本看不见。

这个没被发现的“针孔”，就像一颗定时炸弹。它可能在后道的机加工工序暴露，导致整批工件报废；也可能流到客户那里，装上车跑了几千公里才出问题，到时候就不是赔几个件的事了，是整批召回、巨额索赔，甚至丢客户。

我朋友后来跟我说，去年因为类似的问题，赔了客户小二十万，还差点丢了这家大客户的订单。

这个问题为什么这么难搞？

你可能也遇到过。压铸件质检，尤其是表面缺陷检查，一直是块难啃的骨头。表面上看，是工人累了、疏忽了。但往深了想，根子在这几个地方：

第一，缺陷太“狡猾”

压铸件的缺陷，像气孔、缩松、冷隔，往往不是那种一眼就能看到的大坑。它们可能就针尖大小，藏在螺纹孔底部、加强筋的侧面，或者被模具纹理掩盖。光线角度稍微不对，人就看不到了。

而且，铝合金、锌合金压铸出来，表面反光特性不一样，有的亮得刺眼，有的发暗，进一步增加了肉眼分辨的难度。

第二，人不是机器，会累会分心

这是最现实的问题。一个检验工，每天8-12小时，重复几千次“拿起-观察-判断-放下”的动作。别说晚上了，就是下午三四点，人的注意力和判断力都会明显下降。

赶订单的时候，为了保产量，检验速度一快，漏检率必然上升。新员工经验不足，老师傅虽然准，但速度慢，还不好招。我见过不少佛山、东莞的压铸厂，为留个靠谱的质检老师傅，工资开得比班长还高。

第三，标准靠嘴传，结果看心情

什么叫“轻微划痕”？多大尺寸的气孔可以接受？这个标准往往在老师傅脑子里，或者是一张模糊的样板图。不同班次、不同人的尺度把握不一样。今天A班判合格的，明天B班可能就判不合格了。

客户投诉来了，一查记录，除了日期和数量，具体哪个件有什么问题，根本追溯不了。最后只能吃哑巴亏。

以前不是没想过办法。有的厂买过简单的光学筛选机，但只能看看尺寸，对复杂的表面缺陷无能为力。也想过搞自动化，但传统机器视觉对光线、工件摆放要求太死，压铸件形状复杂，稍微沾点油污或者角度偏一点，就误报一大堆，最后工人嫌麻烦，还是扔一边用回肉眼。

换个思路：AI视觉怎么抓住关键？

所以，这类问题的解决关键，根本不是找一个“永不疲劳的眼睛”，而是找到一个能 “像老师傅一样思考，但比老师傅更稳定” 的判断系统。

AI视觉质检，特别是基于深度学习的方案，解决的正是这个核心。它不是靠人写死规则（比如“这里有个黑点就算缺陷”），而是让机器自己学习。

原理不复杂：你给它看几百上千个各种状态下的合格品图片，再给它看各种有气孔、划痕、缺料的缺陷品图片。看多了，它自己就能总结出“合格品应该长什么样”，以及“不同类型的缺陷有什么特征”。

它的优势在于三点：

1. 抗干扰能力强。工件表面有点油渍、反光不同、角度略有偏差，只要在它学习过的范围内，它都能认出这是“同一个东西”，然后准确判断有没有缺陷。这比传统机器视觉灵活多了。

2. 能抓复杂特征。对于那种藏在纹理里、形状不规则的缺陷，AI能捕捉到人眼都难以描述的细微特征差异。

3. 判断标准统一。它的判定阈值是固定的，不会因为夜班就放松，也不会因为赶货就变严，标准永远一致。

看一个真实案例

苏州一家给汽车行业做压铸件的厂，年产值大概5000万。他们最大的痛点就是发动机支架的微气孔漏检，客诉不断。

他们的做法很务实：

没搞全线铺开，就选了 最后一道成品包装前的复检工位。这个位置工件已经冷却、清洁过，状态最稳定。

他们自己用手机，在产线不同光线条件下，拍了将近一个月，攒了2000多张合格品和500多张各种缺陷品的照片。

然后找供应商，就用这些图片去训练模型。硬件上，就是在原有传送带旁边加了个工装，固定两个工业相机和光源，工件流过来自动拍照，系统自动判断，良品流走，不良品吹到另一边筐里。

效果怎么样？

上线跑稳之后，他们这个工位的漏检率从原来人工的接近2%，降到了0.3%以下。光算这一条线，一年减少的客户索赔和内部返工成本，就省了差不多30万。

更重要的是，标准统一了，生产数据（每天检出什么缺陷、哪台机出的多）都能记录下来，反过来能指导调机师傅优化工艺，气孔缺陷的整体发生率都下降了。

投入呢？整个项目，包括硬件、软件和调试，一共花了不到20万。大半年就回本了。

落地要注意这几点

看到这里，你可能心动了。但别急，上AI项目最怕头脑发热。根据我见过的案例，给你几点实在建议：

什么样的厂适合做？

1. 有明确痛点：不是跟风，是真的被漏检、客诉、高额质检人工成本搞得很难受。产品价值越高、客户质量要求越严，越值得做。

2. 产品有一定批量：如果每天就生产几十个件，种类还五花八门，那上AI的性价比不高。最好是主力产品，批量大，缺陷模式相对稳定。

3. 有基础条件：车间环境不是特别脏乱差，有稳定的气电，管理人员有决心去推动这件事。

从哪里开始最稳妥？

我强烈建议 “单点突破，小步快跑” ：

第一步，选一个“钉子”。别想着全自动线、全工序覆盖。就找你最痛的那个点，比如成品终检，或者某道关键机加工序后的检查。场景越简单，越容易成功。

第二步，自己先攒数据。在决定找供应商之前，就可以用手机或普通相机，在你的产线实际光照下，多拍一些产品照片。好的、坏的都拍，积累原始素材。这对后面评估供应商能力和控制成本很有帮助。

第三步，找对人，做POC（概念验证）。和供应商谈，不要只听他吹牛。要求他用你提供的一部分数据，先做一个初步的模型演示，看看对你们产品缺陷的识别准不准。靠谱的供应商都愿意做。

预算大概要准备多少？

这差别很大，但可以给你个参考范围：

• 小规模试点（单工位，检测1-2种缺陷）：硬件（相机、光源、工控机）+ 软件 + 部署，总共在 8万到15万 之间。适合年产值一两千万的厂。

• 中等规模（2-3个关键工位，缺陷种类多些）：预算在 15万到30万。大部分年产值3000万-8000万的压铸厂，从这个级别开始尝试。

• 全面部署（连线、多工序）：那就得上30万甚至更多了，适合大型压铸企业。

记住，硬件成本相对透明，相机、镜头、光源都能查到大概价格。真正的价值和水分在 软件算法、行业经验和服务 上。一定要问清楚：软件是持续授权的还是一次买断？后续模型优化要不要额外收费？出了问题响应速度怎么样？

最后说两句

AI视觉不是魔术，它解决不了所有问题。但它确实是目前应对“人眼疲劳、标准不一”这个老大难问题，最靠谱的工具。它不能完全替代老师傅，但能把老师傅从枯燥的重复劳动中解放出来，去处理更复杂的工艺问题。

对于压铸厂老板来说，算账很简单：算算每年因为漏检赔了多少钱，养一个质检班要花多少钱，再对比一下AI系统的投入和能带来的节省。账算明白了，做不做心里就有数了。

如果你正琢磨这个事，但不确定自己的厂适不适合、该从哪里入手，可以试试用“索答啦AI”问问看。你把自己的情况（比如做什么产品、主要什么缺陷、大概预算）输进去，它能给你一些比较对路的建议和方向，省得你一开始像没头苍蝇一样到处打听。