精炼厂上AI分拣分级，到底值不值？

先别急着找方案，想清楚这三点

你可能也遇到过：一批山茶籽进来，老师傅说这批颜色暗、杂质多，出油率肯定不行。但采购价已经定了，生产完才发现，成品油等级就是上不去，卖不出价，一年的利润可能就亏在这几批原料上。

说实话，精炼行业做分拣分级，最难的不是技术，而是算不清账。上AI分拣，不是买个机器那么简单，它牵涉到你整个生产链条。在动之前，你得先想透三件事。

你的核心痛点是什么？

别笼统地说“提高分拣效率”。你得具体到：

1. 是原料端（进厂前）还是成品端（包装前）的问题？ 这决定方案完全不同。

   • 原料端：比如云南某核桃油加工厂，痛点在于收购的核桃仁里混有碎壳、隔膜、霉变粒。人工挑，一小时看不了几公斤，还漏检严重，导致后续压榨设备磨损加快，油品有哈喇味风险。他们的核心需求是“把非仁杂质挑干净，尤其是霉变粒”。

   • 成品端：比如一家做高端山茶油的湖南厂，痛点在于灌装前的油色肉眼分级不准。同一批油，不同班组长看，可能一个定特级，一个定一级，客户投诉批次颜色不一致。他们的核心需求是“对油液颜色、透光度做稳定、客观的数字化定级”。

2. 这个痛点让你一年损失多少钱？ 自己粗略算笔账。

   • 原料浪费：比如，因为霉变粒没挑干净，导致整批（比如5吨）油品降级，从特级降到一级，每吨差价可能就有几千块，这就是几万块的损失。

   • 人工成本：养4个老师傅专门做分拣，月薪7000，一年就是33.6万。还经常因为眼神疲劳，下午的漏检率比上午高30%。

   • 客户索赔：因为杂质或等级问题被客户退货、罚款，一年有那么两三单，又是十几万。

把这些账算清楚，你才能知道愿意为解决问题花多少钱。

内部资源跟不跟得上

AI分拣不是买台电视，插电就能用。它需要你内部有人配合。

1. 有没有懂点电脑的现场人员？ 不需要他会编程，但要能操作电脑，在系统报警时知道怎么处理（比如暂停流水线，把疑似不良品拿出来复检）。我见过最顺的项目，是宁波一家芝麻油厂，他们的车间主任是个中专生，自己爱鼓捣电脑，上线后成了半个专家，小问题自己就处理了。

2. 生产流程能不能稍微动一动？ 比如，为了给相机最好的拍摄角度，可能需要把传送带加个透明罩，或者调整一下灯光位置。如果现场一点都不能动，那实施起来会很麻烦，成本也高。

3. 老板的决心有多大？ 这不是一线员工能推动的，需要老板或生产副总亲自盯。前期沟通、中期测试、后期验收，都需要决策者参与，否则下面的人容易应付了事。

跟谁沟通，怎么沟通

别突然在大会上宣布“我们要上AI了”。容易引起老师傅的抵触，觉得机器要来抢饭碗。

我建议先找生产主管和几个核心老师傅私下聊：

“王师傅，你看现在这批原料，杂质这么多，你们挑得眼睛都花了，我们也心疼。听说现在有种机器眼，能帮着先把明显的坏籽、石头挑出来，减轻你们负担，你们把精力放在最难判断的那些籽上，这样行不行？你们觉得最大的难点在哪？”

把他们的经验变成需求，而不是把他们当成被替代的对象。他们熟悉原料特性，知道什么杂质最难分，这些信息对供应商做方案至关重要。

第一步：把需求写清楚，别当甩手掌柜

很多老板觉得，需求就是“我要分拣核桃仁”，然后全扔给供应商。结果做出来的东西根本没法用。需求梳理是你自己的事，没人比你更懂你的原料和工艺。

怎么明确自己的需求？

拿个本子，去车间待两天，记录下这些信息：

1. 分拣对象：具体是什么？核桃仁？茶籽？还是精炼后的油？它们的典型尺寸范围（最小、最大）、颜色（正常是什么色，异常有哪些色）、形状。

2. 要分出的缺陷：列个清单，按重要性排序。比如：

   • 霉变粒（最重要，必须检出）

   • 碎壳（其次）

   • 隔膜（再次）

   • 石子、金属等异物（最重要，但可能用别的设备更合适）

3. 生产节拍：现在每小时处理多少公斤？希望上线后达到多少？别张口就要翻倍，先定个提升20%-30%的务实目标。

4. 现场环境：车间灰尘大吗？湿度高吗？有没有震动？拍几张现场照片和视频，这些都能帮供应商判断用什么样的工业相机和光源。

需求文档就是“问题清单”

你不用写得多专业，就把它当成给供应商的“问题清单”：

• 我们主要分拣XX原料，目标是检出A、B、C三类缺陷。

• 目前人工检，每小时处理500公斤，漏检率大概5%，希望机器能降到1%以下，速度提到600公斤/小时。

• 我们的原料大小在1cm-3cm之间，颜色从浅黄到深褐都有。

• 车间有粉尘，传送带有轻微抖动。

• 我们预留的安装空间长2米，宽1米，高2米。

• 我们有一个员工可以配合操作电脑。

把这个清单给供应商，让他们来出方案和报价，这才是有意义的沟通。

小心这几个误区

1. 追求100%检出率：这不现实，也没必要。人工都做不到100%。目标是比人工稳定，把漏检率控制在一个可接受的、更低的范围（比如从5%降到1%）。追求100%会导致成本急剧上升。

2. 一次想搞定所有原料：有的厂同时加工核桃、杏仁、花生。不同原料性状差异大，想用一套系统通吃，效果往往不好。先从最重要、量最大的一种原料做起。

3. 忽略“好产品”的多样性：机器不光要认识“坏”的，更要理解“好”的千差万别。比如正常的核桃仁，颜色就有深有浅，形状也不规则。要准备足够多“好的但样子怪”的样品给供应商学习。

第二步：找供应商，关键看“懂不懂行”

别只在网上搜“AI视觉公司”，那种大多做电子、医药的，对农产品特性一窍不通。

去哪里找靠谱的？

1. 问同行：最靠谱的途径。打听下附近省市，有没有同类型的精炼厂、油厂已经上了类似系统，效果怎么样，找的哪家。去实地看看最好。

2. 找行业展会：比如食品加工机械展、粮油展，里面会有专门的视觉检测分区，那里的供应商相对更垂直。

3. 找设备商推荐：给你提供压榨机、烘干线的设备厂家，他们有时会配套或合作视觉检测公司。

怎么评估和对比？

别光比价格和参数。坐下来聊，重点考察三点：

1. 有没有同类案例：直接问，“做过核桃仁分拣吗？茶籽呢？能不能去客户现场看看？” 如果支支吾吾，或者说案例保密，那要小心。敢让你去看的，一般心里有底。我见过无锡一家做松子分拣的供应商，就是在客户车间里谈成的。

   

2. 技术员懂不懂农产品：和他们聊你的原料。好的技术员会问得很细：“霉变粒在你们这，是发黑还是发绿？是整体变色还是局部斑点？”“不同产地的茶籽，颜色基线一样吗？” 问得越细，说明他越知道难点在哪。

3. 方案是否务实：警惕那种把方案说得天花乱坠，包治百病的。靠谱的供应商会先分析你的主要矛盾，告诉你哪些缺陷好检，哪些难检（比如颜色相近的隔膜），可能需要调整灯光或加辅助手段，并且设定期望值。

验证测试：用你的真料，测他的本事

谈得差不多了，一定要做POC（概念验证）测试。核心就一条：用你自己的原料，而且必须是那些最难搞的原料。

别挑一堆完美的样品去，那测不出水平。就找那些让老师傅都头疼的、杂质多、颜色杂的批次。

测试时看什么：

1. 检出率：给他100个已知的缺陷品（你提前数好混进去），看能找出多少个。同时也要看误杀率，别把好产品踢出去太多。

2. 速度：能不能跟上你的产线节奏。

3. 稳定性：同一批料，跑10次，结果是不是差不多。别这次95%，下次只有80%。

4. 操作界面：现场工人能不能看懂报警信息？操作简不简单？

测试费可能要几万块，但这钱值得花，是避免后面几十万打水漂的保险。

第三步：落地实施，小步快跑别冒进

签了合同也别想着一步到位。分阶段走，风险最小。

项目分三阶段走

第一阶段：安装调试与试运行（1个月）

供应商进场安装硬件（相机、光源、剔除装置），在你指定的产线位置上做调试。这个阶段关键是你的员工要全程跟着学。了解每个部件是干什么的，怎么维护（比如擦镜头、调灯光）。

试运行期间，机器分拣出来的“不良品”和“良品”，都要有老师傅进行二次复检，看看机器判得对不对。这个过程是“训练”机器也是训练人的过程。

第二阶段：并行与参数微调（2-3个月）

这是最重要的阶段。机器和人工同时分拣，但走两条道，最后对比结果。

每天记录数据：机器检出多少缺陷？人工复检查出多少机器漏掉的？机器误杀了多少好料？把这些数据反馈给供应商，让他们调整算法参数。

你会发现，可能头半个月机器表现一般，但通过不断“喂”给它新的、复杂的样本，它会越来越聪明。一家郑州的葵花籽厂，在这个阶段调整了四次参数，最终误杀率从8%降到了2%以内。

第三阶段：正式交接与独立运行

当连续一两周，机器的稳定性和准确性都达到合同要求（比如检出率>98%，误杀率<3%），就可以考虑让人工撤下来，只留一个人巡检和处置异常了。

管好进度和风险

1. 每周开个短会：你这边生产主管、操作工，和供应商的项目经理一起，同步进展和问题。有问题当场解决，别拖。

2. 风险主要在原料变化：比如新产季的原料来了，颜色、大小可能有差异。要在合同中明确，供应商有义务在一定时间内（比如一年内免费）配合进行算法微调，以适应新的原料特性。

3. 备件要清楚：问清楚哪些是易损件（如光源），使用寿命多长，哪里采购，价格多少，别等到坏了抓瞎。

第四步：验收别含糊，效果要算账

项目成不成，最后要落到实实在在的效益上。

怎么判断成功？对照目标看数据

回头看看你第一步算的账和需求清单。验收时就看这些：

• 检出率、误杀率达标了吗？（用至少一周的稳定数据说话）

• 处理速度达标了吗？

• 原来需要4个人，现在是不是减到了1个人巡检？

• 因为原料杂质导致的设备维修次数，下降了吗？

• 成品油的等级一致性，客户还有没有投诉？

签验收单前，把这些数据都列出来，双方签字确认。

上线后怎么持续优化？

系统不是一劳永逸的。你要建立一个简单的“样本库”：遇到机器明显判错的情况（无论是漏检还是误杀），把那个样本单独留下来，贴上标签，定期（比如一个月）打包发给供应商，让他们更新算法模型。这是保持系统长期好用的关键。

算清经济账：回本周期是硬道理

最后，我们来算算这笔投资值不值。以一个年处理2000吨核桃仁的中等规模精炼厂为例：

• 投入：一套定制化程度较高的AI分拣系统，硬件加软件，大概在25万-40万之间。

• 节省：

  1. 人工：替代3个分拣工，每人年薪7万，一年省21万。

  2. 原料价值提升：因为霉变粒、碎壳剔除更干净，估计能提升整体出油率和油品等级，每吨成品油价值增加约100元（很保守的估计），年处理2000吨原料，约产油600吨，增值约6万元。

  3. 减少客户索赔：预计一年能避免1-2起因杂质引起的索赔，约5万元。

• 总节省：21+6+5 = 32万元/年。

• 回本周期：按35万投资算，大约13个月回本。后续每年省下的就是净收益。

这账一算就清楚了。对于年产值几千万的厂来说，这个投资风险和回报是看得见、摸得着的。

写在最后

精炼行业上AI分拣，现在已经不是“高科技尝鲜”，而是很多务实老板在算清账后做的效率投资。它的核心价值不是完全取代人，而是把人从重复、疲劳的机械劳动中解放出来，去做更需要经验和判断的工作，同时把产品质量控制从一个模糊的经验，变成一个稳定、可量化的标准。

别怕麻烦，前期多花点心思梳理需求、测试验证，后面落地就顺得多。最怕的就是一开始图省事，最后变成一堆用不起来的昂贵摆设。

如果你还在纠结自己的厂适不适合做、或者对第一步怎么梳理需求没头绪，可以先在“索答啦AI”上把厂里的情况简单说一下，它会帮你理理思路，看看从哪里入手最划算，也能给你一些找供应商的实用建议。多个参考，总没坏处。