注塑件外观检测老出问题，上AI能搞定吗？

凌晨三点的注塑车间，问题总是集中爆发

上个月，我去了东莞一家做精密连接器的注塑厂。老板王总凌晨三点给我打电话，语气急得不行。一批给某大客户赶工的USB外壳，早上就要出货，结果夜班QC在成品检时，发现有好几个批次的产品，表面都有细小的刮痕和料花。

问题出在夜班的最后两个小时。夜班领班经验足，但架不住连轴转了8个小时，眼睛早就花了。两个新来的质检员，培训了不到一周就上岗，对那种在特定光线下才反光的刮痕，根本看不准。更麻烦的是，这批料是换了个新批次的原料，流动性有点差异，导致料花出现的概率比平时高了。

等到发现问题，已经生产了快两万件。全检？来不及。抽检放行？客户投诉和退货的风险，王总背不起。最后只能把夜班生产的全部拦下，白班紧急返工重检，光是加班费和可能的交期罚款，就小十万没了。

你可能也遇到过这种情况。赶订单、换原料、夜班疲劳、新员工不熟练……这些因素凑在一起，外观检测这个环节就成了最薄弱的短板。表面看是人的问题，但深究下去，是传统“人眼+灯光”的检测方式，到了极限。

人眼检测的三大硬伤，短期内无解

为什么以前管用的方法，现在越来越吃力了？我总结下来，主要是三个硬伤。

标准无法固化，全凭老师傅感觉

外观检测最难的就是标准。什么叫“轻微刮痕”？什么叫“可接受料花”？老师傅用手指一抹，对着光看一眼，心里就有谱。但这份“谱”没法精确地教给新人。

我见过不少厂，墙上挂着AQL抽样标准和缺陷样板，但实际执行起来，早班、中班、晚班的标准都可能不一样。同一个人，精神好的时候和疲劳的时候，判罚尺度也能差出一截。这就导致内部质量波动大，客户抱怨时，你连问题出在哪个环节都说不清。

生理有极限，疲劳是必然

这是最现实的问题。人眼集中精力进行高精度识别，超过20分钟效率就会下降。在注塑车间那种单调的环境下，盯着快速移动的黑色或白色塑料件看8小时，不疲劳是不可能的。

问题往往就出在交接班前、吃饭后、凌晨这几个疲劳期。一家苏州的汽车配件厂做过统计，夜班后4小时发现的缺陷数量，是前4小时的1.8倍。这不是员工不努力，是生理规律。

招人留人难，经验传承断档

现在年轻人有几个愿意在产线边上一站8小时，天天看产品？招个普工都难，更别说要求更高的质检岗了。稍微有点经验的，要么升职，要么跳槽。

结果就是，产线上永远有新人。培训成本高不说，关键是产品刚上线稳定，换个人又得出问题。一家佛山的小家电厂老板跟我诉苦，说旺季请的临时工检外观，漏检率能达到5%，返工成本比他们的工资还高。

AI检测的思路：把老师傅的“感觉”变成算法

所以，解决这类问题的关键，不是管得更严，或者多招几个人，而是要把那种不稳定、不可控的“人眼判断”，变成稳定、可重复的“标准动作”。

AI视觉检测，干的就是这个事。它的核心逻辑很简单：模仿学习，然后超越。

它不是凭空变出来的智能。

第一步，是让系统“看”足够多的图片——好的产品什么样，各种缺陷（刮痕、料花、缩水、缺料、脏污）又是什么样。尤其是那些处在合格与不合格边缘的“争议品”，更要重点教给它。

这个过程，其实就是把老师傅脑袋里那些“只可意会”的经验，通过一张张图片和一个个标签，转化成算法能理解的规则。一旦这个规则建立起来，它的优势就出来了：

1. 不知疲倦：24小时一个标准，不会因为凌晨三点就降低要求。

2. 速度极快：现在普通的工业相机，一秒看几十个产品很轻松，能跟上高速注塑机的节奏。

3. 量化精准：刮痕多长、多深，料花面积占比多少，它能给出具体数据，不再模糊。

一个真实的落地案例

宁波一家年产值5000万左右的电子外壳厂，去年在成品包装前上了AI复检工位。他们的情况很有代表性：产品小、颜色多（黑、白、灰）、表面有细微纹理，人眼检起来特别费神。

他们没一上来就搞全线改造，那样太贵，风险也大。老板很精明，就选了一个点：包装前的最后一道全检岗。这个岗位原来需要4个熟手，两班倒，专门把从流水线下来的产品，再过一遍目检，防止流出不良品。

他们找供应商做了一套方案，核心就是一台高清相机、一个定制光源和一台工控机。先用两周时间，拍了上万张各种状态的产品照片（包括各种缺陷和合格品），让算法学习。然后先并行运行一个月，AI检它的，人工照样检，把结果对比，调整算法。

跑顺了之后，这个岗位从4个人减少到1个人（主要职责变成处理AI报警的疑似品和设备维护），一年光人工成本就省了接近20万。更关键的是，客户端的投诉率下降了70%多，因为流出的不良品几乎为零。整套系统投入大概30万，算上省下的人工和减少的退货损失，一年半左右回本。

你的厂子适合上吗？先想清楚这几件事

看到这里，你可能心动了，但先别急。不是所有厂、所有环节都适合立刻上AI检测。我建议你从下面几个方面掂量掂量。

先看产品与缺陷特征

如果你的产品是纯色、表面平整、缺陷特征明显（比如大的缺料或毛边），那用传统的治具或简单传感器可能更经济。

AI真正发挥价值的地方，是那些“模糊”的缺陷：

• 细微的表面瑕疵：如刮痕、料花、缩水。

• 颜色或纹理判断：比如色差、光泽度不均。

• 复杂结构：有多个曲面、孔位，需要多角度检查的。

  

简单说，越是需要老师傅“眯着眼、转着看”才能判断的缺陷，AI替代人的价值越大。

从“痛点最疼”的环节试点

千万别想着一口吃成胖子。最稳妥的做法是：

1. 找一个痛点最明显的单点突破。比如成品终检岗，或者某个客户投诉最多的缺陷所对应的工序。这个地方的投入产出比最容易算清楚，也最容易看到效果。

2. 保证来料和工艺相对稳定。AI怕的是“变量”太多。如果今天换种原料，明天换套模具，缺陷五花八门，那算法也很难学。试点时，尽量选择生产最稳定、最成熟的产品线。

3. 老板或核心主管要深度参与。这不是买台设备那么简单，涉及到质检流程的改造、标准的重新制定。前期需要你提供大量的“经验”（就是那些缺陷样本），过程中也要不断和工程师沟通调整。甩手掌柜，做不好。

预算要准备多少？

这个浮动很大，取决于你是买现成的标准机，还是需要深度定制。

• 标准机：针对常见通用缺陷（如脏污、明显破损），一套简单的系统，十几万到二十几万。适合缺陷单一、要求不高的场景。

• 深度定制：需要识别特定纹理下的细微划痕、复杂色差等，需要大量标注数据训练模型。这种一般要三十万起步，到五六十万也很常见。

对于大多数中小注塑厂，我建议按 30-50万 的预算来规划一个高质量的试点项目。这个钱，通常能在1-2年内，通过节省1-2个质检岗位的人工和减少质量损失赚回来。

记住，除了硬件和软件，一定要留出一部分预算给 “实施服务” 。好的供应商，会派工程师驻厂一段时间，帮你调光源、标数据、改流程，直到稳定运行。这部分服务值多少钱，直接决定了项目能不能成。

最后说两句

AI外观检测不是什么神奇魔法，它就是一个更高级、更稳定的“工具”，用来解决人眼不擅长的那部分重复性、精细化的判断工作。它不能代替老师傅所有的经验，比如分析缺陷产生的工艺根因，但它能把老师傅从枯燥的盯线中解放出来，去做更有价值的事。

对于注塑厂老板来说，上不上AI，本质上是一个算账问题：算清楚你每年为外观漏检、误检付出的隐性成本（客户索赔、退货、返工、品牌损伤）和显性成本（人工、管理），再对比一下投入。账算明白了，决定就好做了。

如果你正在考虑这件事，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，比如怎么选供应商、合同里要注意哪些条款、如何设定合理的验收标准，这些细节往往决定了项目的成败。