冷轧板AI分拣，买现成的系统还是自己开发划算？

我们厂为什么被逼着搞AI分拣

我在佛山经营一家冷轧厂，主要做0.3mm到2.0mm的冷轧钢板和钢带，年产值大概8000万。厂里有两条冷轧线，工人六十来个。日子本来过得还行，但从前年开始，一个老问题越来越要命：成品分拣。

我们做的是定制化订单多，一个批次里经常混着不同规格、不同表面等级（比如一级品、二级品、有轻微瑕疵的让步接收品）的板子。分拣全靠老师傅带着几个小工，用肉眼看、用卡尺量、用粉笔做记号。

人工分拣的三个死结

1. 太容易看走眼

   厚度差个0.05mm，光靠眼睛和普通卡尺很难每次都准。更头疼的是表面瑕疵：辊印、划伤、色差、油污。老师傅经验足，能看出来，但眼神总有恍惚的时候，尤其是赶着下班或者夜班。新来的小工更别提，培训三个月都未必能分清楚轻微划伤和正常纹路。

   我印象最深的是去年给东莞一家电器厂供货，因为混了几张有轻微辊印的板子进去，对方冲压时出了问题，一批货全废了。不光赔钱，差点丢了客户。

2. 效率根本上不去

   一个熟练工，分拣、测量、标记、记录，处理一张板子平均要2-3分钟。遇到复杂批次，更慢。旺季订单多的时候，分拣线堆得跟小山似的，后面工序等米下锅，急得生产主管直跳脚。临时招人？生手错误率更高，培训都来不及。

3. 数据就是笔糊涂账

   今天一级品出了多少吨？让步接收品里主要是哪类缺陷？这些数据全靠分拣工手写在纸条上，下班前交给统计员录入。经常对不上数，也说不清质量问题到底出在轧制环节的哪一段。想改进工艺，都找不到精准的靶子。

客户投诉多了，内部效率低了，我知道，再这么下去不行。去年初，我下决心，必须解决这个分拣问题。

我们走过的弯路和踩过的坑

一开始想法很简单：上自动化，用机器代替人眼。可真干起来，才发现这里头水挺深。

第一坑：以为买个“机器视觉”就能搞定

我们先找了本地一家做工业相机的公司。他们很热情，说装几个高清相机，拍拍照，用他们的软件就能识别。装了试了一个月，发现问题一大堆。

光线一变，比如早上和下午的日光灯，成像效果差很多，误判率高。板面的反光、油膜干扰严重，相机根本分不清是油污还是划伤。最关键的是，它只能告诉你“有异常”，但分不清这个异常是允许的二级品，还是必须剔除的废品。这活，最后还是得人来判断。

钱花了小十万，问题没解决，就多了几个“电子眼”。

第二坑：被“全自动”方案吓退了

吃了亏，我们想找更专业的。接触了几家号称做“钢铁行业AI解决方案”的大公司。方案一看，确实高大上：机器人抓取、自动测厚、多光谱成像、全自动分拣线……

但一听报价和改造要求，心凉了半截。一套下来两三百万起步，还得停一条生产线来改造，工期两个月。对我们这种规模的厂来说，投入太大，停产损失更承担不起。他们的方案像是给千万级大厂量身定做的，我们这种厂用，就像给拖拉机装航天发动机。

关键的转折点

折腾了三四个月，钱没少花，进展几乎没有。我都快放弃了，觉得可能这就是我们小厂的命。直到有一次，跟一个做数控机床的苏州朋友吃饭，他一句话点醒了我：“你别老想着一步到位‘换掉’人。能不能先‘帮人’把事情做对、做快？”

我们最终是怎么落地的

我们调整了思路：不追求无人化，而是追求“人机协作，精准高效”。目标是先解决“分对”的问题，再解决“分快”的问题。

选了什么样的方案

我们最终选择了一家在长三角有多个金属加工厂落地案例的供应商。他们没吹嘘“全自动”，而是提出了一个“AI辅助分拣工作站”的方案。核心就三样东西：

1. 一个定制化的高稳定性光源和成像系统：专门针对钢板反光、油污环境做了优化，确保拍出来的图片清晰、稳定。

2. 一个真正“懂”冷轧板缺陷的AI模型：这不是通用的视觉检测模型，而是用大量冷轧板缺陷图片（辊印、划伤、孔洞、边损等）训练过的。不仅能检出缺陷，还能对缺陷类型、严重程度进行分类（比如划伤是轻度、中度、重度）。

3. 一个极简的工控机界面：屏幕就显示三个结果：“一级品”、“二级品（附缺陷类型）”、“待复检”。分拣工只需要把板子推到固定位置，系统自动拍照、分析，2秒内出结果，工人根据提示把板子放到对应的垛位就行。

为什么选它？第一，价格在我们预算内（整套下来四十多万）；第二，部署快，利用现有分拣线改造，周末两天就能装上，基本不影响生产；第三，他们承诺模型可以根据我们厂的实际产品持续优化，越用越准。

实施过程比想象中顺利

实施分了三步：

第一个月：试点磨合。 我们先改造了一个分拣工位。最大的挑战不是技术，是人。老师傅一开始抵触，觉得机器要抢饭碗。我们就让老师傅做“AI训练师”，系统判断不准的地方，由他来纠正、打标签。慢慢地，老师傅发现这机器能帮他减轻负担，尤其是判断那些模棱两可的瑕疵时，有个参考，责任都小了，也就接受了。

第二个月：数据跑通。 系统运行了一个月，积累了上万张图片数据。供应商的工程师远程帮我们迭代了两次模型，针对我们特有的某种辊印形态做了优化，误报率明显下降。同时，我们打通了数据：每个批次的分拣结果（各级别数量、主要缺陷分布）自动生成报表，生产经理每天都能看到。

第三个月：全面铺开。 看到效果后，我们把另一个分拣工位也改造了。两个工位数据互通，管理后台统一。

现在用起来到底怎么样

系统稳定运行快一年了，说说实实在在的效果和不足。

解决了我们最疼的问题

1. 客户投诉锐减：自从上了系统，再没发生因为等级混放导致的批量客户投诉。AI的稳定性比人强，不会疲劳，标准统一。现在敢跟客户承诺更高的质量一致性。

2. 分拣效率提升约25%：原来靠人判断、测量、记录，现在工人主要动作就是推板、看灯、放板。一个工位的日均处理量从200张左右提升到了250张以上。旺季压力小了很多。

3. 数据真正用起来了：现在我知道，每个月大概有3%的板子被判定为二级品，其中70%是轻微划伤，而且这些划伤多集中在换辊后的前半小时生产时段。有了这个数据，我们调整了换辊后的工艺检查流程，从源头上减少了问题。

4. 人力成本估算一年省了15万：原来一个班需要2个熟练工盯分拣，现在1个熟工带1个普工就能干完，而且劳动强度降低了。省下来的一个熟练工工资加社保，一年就是十来万。更重要的是，招普工比招熟练的质检工容易太多了。

还有哪些地方不完美

当然，问题也有：

• 对极端情况还是乏力：比如板面沾了大块污渍，完全盖住了底色，AI可能误判为严重缺陷。这种极端情况需要人工复检。

• 初期投入有压力：四十多万对不少小厂来说，还是一笔要下决心的钱。

• 依赖供应商服务：模型优化、系统维护还得靠他们，我们自己玩不转。

但总的来说，利远大于弊。投入的钱，我们算过，大概14个月能回本，主要是省下的人工和避免的质量损失。

如果重来，我会怎么做

回顾整个过程，如果时光倒流，我会在三个方面做得更聪明：

1. 第一步不是买设备，而是理需求

   别一上来就问“AI分拣多少钱”。先把自己厂里分拣的痛点、流程、数据现状摸清楚。拍点现场视频，统计一下现在的错检率、效率数据。带着具体问题去找方案，才不会被供应商牵着鼻子走。

2. 先谈“试用”，再谈“购买”

   靠谱的供应商，应该敢让你试。哪怕不能全系统试，至少可以拿你的产品图片去跑他们的模型，看看识别效果。我们第二次找的这家，就是先拿我们提供的几百张缺陷照片做了测试，看到效果才深入谈的。光看PPT和演示视频，全是坑。

3. 规划好“人”的转型

   技术好解决，人的问题最难。提前想好，上了系统后，原来的分拣工怎么安排？是转岗培训做设备维护、数据分析，还是优化其他流程？让员工看到技术是来帮忙的，不是来赶人的，推行起来会顺利很多。我们让老师傅参与训练AI，这步棋走对了。

给同行老板的几点实在建议

如果你也在考虑冷轧板AI分拣，我建议你按这个顺序想问题：

首先，看痛点到底有多痛。 如果只是偶尔出错，订单也不饱和，可能优化管理就能解决。如果是像我们一样，质量投诉成心病，效率卡脖子，那就值得投入。

其次，算一笔明白账。 别光算设备钱。算算现在因为分拣错误一年赔多少钱？因为分拣慢耽误生产损失多少机会成本？养一个熟练质检工一年要多少钱？把这些加起来，再去看投入，心里就有底了。

最后，小步快跑，别贪大求全。 千万别一上来就想着搞无人黑灯工厂。从一个工位、一个班组试点开始。用最小的成本验证方案在你厂里是否真的可行。有效，再扩大；不行，损失也可控。

写在后面

我们厂这个事，说大不大，但确实解决了实际问题。现在行业竞争这么激烈，拼价格已经拼到底了，能在质量稳定性和生产效率上稍微领先一点，可能就是活下去的关键。

技术这东西，说到底是个工具。用对了地方，能帮大忙；用不对，就是烧钱的摆设。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。多看看别人的真实经历，结合自己厂里的情况琢磨，总能找到适合你的那条路。