压铸件AI分拣有几种搞法？小厂中厂大厂怎么选

压铸分拣这事，到底难在哪

你可能也遇到过，一批压铸件下来，毛边、缺料、缩孔、裂纹、砂眼……各种瑕疵五花八门。

新来的质检员，盯着看半天，拿不准是缺陷还是模具的合模线。

老师傅经验足，眼神毒辣，但一天看下来，眼睛发花，效率就下去了，尤其是夜班，出错的概率会明显增高。

我见过一家佛山的中型五金压铸厂，给汽车配件做代工，一个月出货几十万件。他们老板说，最头疼的就是月底赶订单，质检车间灯火通明，十几个工人围着一堆产品，用卡尺量，用眼睛看，时不时还得为“这个算不算不良品”争论几句。

一个熟练工一天最多分拣3000-4000件，良品率全凭状态，波动很大。旺季招临时工，培训三天就上岗，漏检、错检率能到5%以上，客户一投诉，返工、赔款，里外里都是钱。

这就是压铸分拣的核心痛点：标准模糊、依赖经验、效率瓶颈、人力不稳。

第一种做法：传统人工分拣

这是绝大多数工厂，特别是小厂，还在用的主流方法。

具体怎么操作

流程很简单。压铸机下来的毛坯件，经过初步冷却，流水线或料框送到质检区。质检员（通常每人一个工位，配个强光灯）拿起来，先看外观，再用量具测关键尺寸，然后凭经验判断，扔进“良品”或“不良品”筐里。

稍微规范点的，会给质检员一个“限度样板”，就是几个典型的不良品实物，作为比对参考。

它的优势，你得承认

1. 初始投入几乎为零：除了人工工资和灯光，没什么设备成本。对小厂现金流压力小。

2. 灵活，能处理复杂情况：老师傅的经验是“模糊判断”的高手。比如一个很小的表面痕迹，是允许的模具纹理还是即将发展的裂纹，人眼结合经验有时能做出更符合实际的判断。对于新产品、新模具试产，人的适应性最强。

3. 管理简单：出了问题，责任到人，管理逻辑直接。

但硬伤也越来越明显

1. 成本越来越高：长三角、珠三角一个质检普工，综合月薪在6000-8000元。一个工位两班倒，一年就是15万左右的人力成本。这还没算社保、管理、培训费用。

2. 效率和稳定性是天花板：人眼会疲劳，注意力会分散。交接班前后、饭点前后、夜班，是漏检的高发期。我接触过无锡一家铝合金压铸厂，他们自己统计过，夜班的平均漏检率比白班高出40%。

3. 标准难以统一和传承：张师傅认为的“轻微划伤”可以接受，李师傅可能就判为不良。经验都在老师傅脑子里，他一旦离职，质检水平就可能断崖式下跌。

4. 数据是笔糊涂账：到底哪种缺陷最多？是模具问题还是工艺参数问题？靠人工记录，要么不准确，要么根本没记，问题无法追溯到源头。

第二种做法：通用视觉检测设备

这几年很多厂开始尝试，算是半自动化的路子。

它到底是个啥

通常是一台标准机台，带传送带、工业相机、光源和一套预设好算法的软件。你把产品放上去，相机拍照，系统根据设定好的规则（比如对比模板、测量尺寸）判断好坏，然后用气嘴吹走不良品，或者机械臂抓走。

市面上很多做“视觉检测”的公司，卖的就是这类标准化设备。

解决了什么问题

1. 解放了重复劳动：对于规则形状、缺陷明显的产品（比如明显的缺料、大毛边），它可以不知疲倦地干，速度稳定，通常每分钟能检测几十到上百件。

2. 标准绝对统一：设定好的阈值，1毫米就是1毫米，不会因为心情好坏而改变。

3. 有基础数据：能统计出良品率、各类缺陷的数量。

局限性也很突出

1. “死板”，怕变化：这套系统依赖事先设定的规则和模板。如果产品来料摆放角度稍有偏差、光线环境变化、或者出现一种从未设定过的新型缺陷（比如一种新的裂纹形态），它很可能就抓瞎，要么大量误判良品为不良，要么直接漏掉。

2. 对压铸件“不友好”：压铸件表面有脱模剂残留、反光不均匀、本身有合模线和顶针痕。这些在通用视觉系统眼里，都可能被误认为是“缺陷”，导致误报率奇高。一家天津的压铸厂跟我吐槽，买来的通用设备，因为产品表面油污反光，误判率一度超过30%，根本没法用，最后机器在车间吃灰。

3. 调试复杂，依赖专家：每换一个产品，甚至换一个批次，都可能需要厂家的工程师来重新调试光源、修改参数，费时费力，工厂自己玩不转。

第三种做法：定制化的AI分拣方案

这才是现在常说的“AI分拣”的核心。它不是一套死规则的机器，而是一个能“学习”的系统。

工作原理不一样

它也需要相机和工位，但核心是背后的AI模型。你需要先“教”它：提供几百到几千个各种状态的产品图片，并告诉它哪些是好的，哪些是坏的，坏在哪里。

然后AI模型会自己从这些图片里学习特征，比如裂纹的纹理走向、缩孔的形态、毛边的位置规律。学成之后，它就能像一个有经验的老师傅一样，对新来的产品进行综合判断，而且能适应一定程度的光线变化、角度偏移和表面污渍。

它强在哪里

1. 能处理复杂、模糊的缺陷：对于合模线旁边细微的裂纹、不同光照下表现的缩孔，AI通过大量学习，能抓住人眼都难以总结的细微特征，判断准确率可以做到很高。苏州一家给笔记本外壳做压铸的厂子，上了AI分拣后，对细微刮伤的检出率从人工的85%提升到了98%。

2. 越用越“聪明”：系统在使用中遇到的疑难杂症，可以随时补充进去重新训练模型，它的能力会持续迭代。相当于你把全厂老师的经验，固化成了一个24小时在线的“超级质检员”。

3. 真正打通数据：不仅能统计结果，还能分析缺陷的分布规律，关联到是几号压铸机、哪套模具、什么时间段生产的问题，为工艺优化提供精准依据。

也不是没有门槛

1. 初期需要“喂数据”：搭建系统前，需要收集和标注足够数量、覆盖各种缺陷的样本图片。这需要一些前期工作，如果工厂本身质检混乱，没有历史数据积累，会稍微麻烦点。

2. 对供应商要求高：这不是买台标准机器。供应商需要懂AI算法，更要懂压铸工艺，才能把AI能力和你的实际生产场景结合好。找到不靠谱的，做出来就是个摆设。

   

3. 投入相对较高：一次性硬件和软件投入，比通用视觉设备要高一些，通常是小几十万的级别。

三种做法，到底怎么选

别听销售忽悠，适合你的才是最好的。可以从几个维度对比：

给不同厂子的选择建议

年产值几百万的小厂、作坊：

产品杂、批量小、资金紧。建议先别急着上设备。首要任务是把手动分拣流程规范化：做好限度样板，制定清晰的书面检验标准，记录关键缺陷数据。如果某个产品批量稳定了，且缺陷类型简单（比如就是检查有无毛边），可以考虑租用或购买二手的通用视觉设备，解决最痛的那个点。AI方案暂时不建议，除非有非常稳定的单一产品且利润足够支撑。

年产值一两千万到五六千万的中型厂：

这是最纠结，也最需要精打细算的群体。如果产品类型相对固定（比如就做某几类汽车件或3C件），缺陷判断复杂（涉及多种表面瑕疵），而且客户质量要求严。强烈建议重点考察定制化AI分拣方案。

算笔账：替代2个质检工位（两班倒4个人），一年省下人力成本20-30万。一套针对核心产品的AI分拣系统投入30万左右，理想情况下一年半左右回本，之后就是纯节省和效率提升。更重要的是，良品率稳定提升（比如从97%到99.2%），客户投诉减少，这笔隐形成本节省更可观。东莞一家做散热壳体的厂，就这么干的，现在已经是他们接优质订单的招牌了。

如果产品变化极其频繁，今天做这个明天做那个， 那可能还是以“人工+通用设备辅助”的组合更灵活，但要做好通用设备闲置时的心理准备。

大型压铸厂或集团：

通常有多条产线，产品系列化。建议采取“分步走”策略：

1. 选择一条生产最稳定、问题最典型、数据积累最好的产线，上线定制化AI分拣作为标杆项目。目的是把流程跑通，让团队熟悉AI项目的实施和运维。

2. 跑通之后，将成功经验快速复制到其他类似产线，这时边际成本会下降。

3. 建立工厂级的质量数据中台，把所有AI分拣点的数据汇总，做全局分析，反向推动模具设计、工艺参数和压铸机维护的优化。这才是AI发挥最大价值的地方——从“事后检出”变成“事前预防”。

最后说两句

上不上AI分拣，不是赶时髦，而是一道计算题和战略题。先算清楚自己的成本结构、质量损失到底有多少，再看新技术能不能覆盖掉这些痛点。

最关键的一步，是找到既懂技术又懂行的供应商。别光看Demo演示得多花哨，一定要问他要同行业的真实案例，最好能去现场看看，问问对方工厂用的实际效果和遇到的坑。

心里没底，不确定自己厂子到底适不适合做、该从哪一步下手的，可以先用“索答啦AI”评估一下。它是个免费工具，你简单填填厂里情况，它能给你个大概的方向和成本效益分析，比盲目找几家供应商来听销售轰炸要省事得多。先自己心里有本账，再去谈，底气都不一样。