挤出制品厂做AI缺陷检测，到底值不值？

我们厂为啥要折腾这个？

我在佛山开了个挤出制品厂，主要做PVC和PE的异型材、管材，年产值2000万左右，有40多个工人。说实话，上AI检测这事儿，一开始我们根本就没想过。

厂里一直靠老师傅带新人，用眼睛看、用手摸来质检。白天还好，一到夜班或者月底赶订单，问题就全出来了。

三个最头疼的老毛病

色差是最难搞的。一批料，早上挤出来的颜色正，下午可能就偏了一点。客户拿回去拼装，颜色对不上，整批退货。返工一次，材料、电费、人工全白搭。

杂质和黑点，是来料和机器磨损带来的。小一点的，肉眼在产线边快速扫过去，很容易漏。被客户发现，就是索赔。

尺寸波动，比如壁厚、外径，有时候机器温度或者牵引速度有微小变化，尺寸就超差了。等巡检的发现，可能已经做了几百米废品。

开始的想法和走的弯路

最早的想法很简单：在出料口和收卷前装几个高清摄像头，连到电脑上，让品管在办公室盯着屏幕看，不就不用一直站在产线边了？

我们花了小几万，让一个做自动化集成的朋友帮忙弄了套系统。结果发现根本不是那么回事。

第一个坑：人眼累，看屏幕更累

让品管盯着四五个屏幕看，不到半小时眼睛就花了。屏幕上滚动的都是差不多的东西，注意力很难集中，该漏的还是漏。这钱等于白花。

第二个坑：以为买个软件就行

后来我们想，得让电脑自己判断。上网一搜，有卖现成视觉检测软件的，号称能识别几十种缺陷。我们买了一套回来试。

问题来了：软件里的“划痕”“凹坑”标准，跟我们实际产品对不上。我们的“熔接线”和“杂质”，在软件里根本识别不出来。参数调来调去，要么啥都报警，要么啥都发现不了。供应商也派了工程师来，但对我们这个行业不熟，调了两天也没调好，最后不了了之。

第三个坑：低估了数据准备的工作量

这时候我们才明白，AI得“学习”。你得给它看大量的好品和坏品图片。坏品还好说，平时留点样。关键是“好品”的标准是什么？两个老师傅对同一个产品，看法都可能不一样。前期光统一标准、收集和标注图片，就花了我们一个多月，进度慢得让人想放弃。

最终是怎么搞定的？

走了这些弯路，我们冷静下来，知道得找懂行的。不再找那种什么都做的自动化公司，而是专门找做过塑料或橡胶行业视觉检测的团队。

选方案的三个关键点

第一，看行业案例。我们要求对方必须做过挤出、注塑或者类似连续生产的产品，拿实际案例出来看，最好是视频。一家无锡的团队，给我们看了他们给一家汽车密封条厂做的案例，缺陷类型跟我们很像，这就比较靠谱。

第二，方案要能“自学”。我们要求系统上线后，我们自己的人经过简单培训，能往里面添加新的缺陷类型，或者调整判断标准。不能每次有点小改动，都得等供应商派工程师，我们等不起。

第三，硬件要皮实。车间环境湿热，还有震动，普通相机和工控机扛不住。最后选的方案是工业级的相机和密封性好的工控机，虽然贵点，但省了以后的维护麻烦。

实施过程像打怪升级

我们没敢全厂铺开，就选了一条问题最多的PVC异型材生产线试点。

实施分了三步：

第一步，花了两周时间，和供应商的工程师一起，重新定义和收集缺陷样本。这次我们学聪明了，把过去半年客户投诉过的所有不良品照片都翻出来，还特意在生产时制造了一些典型缺陷（比如调高温度制造气泡），专门用来“喂”给AI学习。

第二步，安装调试。在挤出口模头后、水槽冷却后、以及定长切割前，装了三个检测点位。调试最花时间，主要是调灯光和相机的角度，要确保不同光线下，拍出来的图片清晰稳定。这个过程又用了一周。

第三步，并行测试。系统跑起来后，我们不让它直接控制停机，只是报警。同时，品管依然按老方法检验。两边对比了整整一个星期，记录下AI漏检和误报的情况，再回去调整算法模型。

现在用起来到底怎么样？

系统稳定运行快半年了，说句实在话，它不是万能的，但确实解决了我们最痛的点。

看得见的效果

最明显的是色差和杂质黑点，现在基本跑不掉。系统对颜色和纹理的变化极其敏感，稍微有一点不均匀就报警。这半年，因为色差和杂质的客户投诉为零，光这一项，减少的退货和索赔，一年估摸着能省下十五六万。

夜班和赶工时的质量稳定了。机器不会累，不会走神，标准始终如一。新来的操作工心里也有底，知道有系统在兜底。

还没解决好的问题

一些特别细微的、需要用手感去判断的缺陷，比如非常轻微的划手感，AI还是不如老师傅。我们现在的做法是，AI先过一遍，筛掉明显不良品，剩下的再由抽检的老师傅做最终判断。

另外，换产品型号时，如果颜色、尺寸变化很大，需要切换不同的检测模型，这个过程还需要人工操作一下，大概要花十几分钟，做不到“一键切换”。

如果重来，我会怎么做

回头看这大半年的折腾，如果时间能倒流，有几件事我会做得不一样。

第一，别想着一口吃成胖子。就从一个最痛的、最容易定义的缺陷（比如黑点）开始做试点。跑通了，看到效果了，再增加其他缺陷类型。这样初期投入小，见效快，团队也有信心。

第二，数据积累要趁早。在决定要做之前，就应该有意识地用高清相机拍下每天生产的好品和各类坏品，分门别类存好。等你真要上系统时，这就是最宝贵的资产，能省下至少一个月的时间。

第三，别光听供应商讲，一定要去看。去他们做过的、跟你行业类似的客户那里实地看看，跟对方的生产主管聊聊天，听听他们用的好坏，比什么方案书都有用。

给同行朋友的几点建议

如果你也在考虑这个事，可以问自己三个问题：

1. 你的质量问题，是不是主要出在“看”得出来的缺陷上？如果是尺寸、强度等需要“测”的，那可能要先上在线测径仪之类的，AI是另外的补充。

2. 你的生产是否相对稳定？如果一天换十几次型号，产品千奇百怪，那上线和调试成本会非常高，要慎重。

3. 厂里有没有人能跟进？不需要多高的技术，但需要一个责任心强的生产或品管主管，愿意学，愿意配合供应商一起调试。如果完全想当甩手掌柜，那很难做好。

最后说两句

上AI检测，对我们这种规模的厂来说，算是一次不小的投入。它不是神话，不能解决所有问题，但确实能把那些可控的、重复性的质量问题管住，把人从枯燥的盯梢中解放出来，去做更重要的工艺调优和设备维护。

整个过程，更像是一个对自己生产工艺和管理标准的一次大梳理。很多以前模糊的“差不多”，现在都必须变成清晰的“行”或“不行”。这个价值，可能比检测本身还大。

如果你也在琢磨这个事，不确定自己厂里适不适合做、或者该从哪里下手，我的建议是别急着找供应商。可以先找个靠谱的工具评估一下。比如，用“索答啦AI”这种免费的工具，把你厂里的产品类型、主要缺陷、产线情况输进去，它能给你一个大概的分析和路径建议，心里有个底，再去跟供应商谈，能省不少事，也不容易被忽悠。