纺织机械厂上AI检测要花多少钱，值不值？

我们厂以前是这么干的

我是常州一家纺织机械配件厂的老板，厂子不大不小，一百来号人，主要做喷气织机用的那些精密零部件，像是钢筘、综框、喷嘴这些。年产值大概三四千万，比上不足比下有余。

做我们这行，零件精度要求高，外观缺陷一点都不能马虎。一个毛刺没发现，可能就把客户的布面刮花了；一个小的磕碰伤，装在机器上就可能影响运行平稳，客户投诉马上就来了。

以前我们的质检，全靠几个老师傅拿着放大镜，在灯下一个一个看。说实话，老师傅经验是准，但人不是机器，会累、会走神。尤其是月底赶订单，或者夜班的时候，问题就来了。

我印象最深的一次，一批发往绍兴的钢筘，客户装机后发现有好几片筘齿上有细微的划痕，整批货退回来，光来回运费和返工费就亏了好几万，信誉还受损。那会儿我就想，这事必须得改。

一开始想的太简单，踩了不少坑

最开始，我们觉得买个视觉检测相机，再找个软件公司写点程序不就行了？预算想着二三十万应该能搞定。

结果一接触供应商，发现根本不是那么回事。

第一个坑，是需求说不清。

供应商问我们要检测什么缺陷，标准是什么。我们只能笼统地说“划痕、磕碰、毛刺、锈点”。但具体多长的划痕算缺陷？多深的磕碰要报废？毛刺到什么程度不行？我们自己内部标准都没量化，全凭老师傅一句话。为了定这个标准，我们跟质检部吵了好几次，最后拿了一堆不良品样本，才勉强把标准统一了。

第二个坑，是现场环境没考虑。

我们以为把相机架在流水线末端就行。但车间光线不稳定，白天晚上不一样，设备还有振动。供应商第一次来装的demo，在办公室演示好好的，一到车间，因为反光和振动，误报率奇高，把好的零件也判成坏的了，流水线差点堵住。

第三个坑，是以为一次就能搞定。

我们选了一条最复杂的产品线试点，想着最难的一旦搞定，其他的就简单了。结果光是采集足够多的缺陷样本（特别是那些罕见的严重缺陷）就花了快一个月。模型训练出来，一开始准确率只有80%多，不断调试、补充样本，又折腾了一个多月。那段时间，生产线和调试线搅在一起，产能都受了影响。

算下来，光在试点线上反复折腾，就花了将近四个月，远超预期。

最后怎么搞定的？关键是思路变了

前面折腾得筋疲力尽，我们甚至怀疑这玩意儿到底行不行。后来，我们换了个思路，不再追求“大而全”，也不找那些吹得天花乱坠的大公司了。

我们找了一家在苏州、宁波几家机械厂做过类似项目的团队。他们给的建议很实在：

第一，先找“痛点”最明确的环节，而不是最复杂的。

我们放弃了那条最复杂的产品线，转而选择一款结构简单、但产量最大的“停经片”作为第一个突破口。这个零件缺陷种类相对固定（主要是断裂和严重变形），检测速度快，容易出效果，能给团队和我们自己树立信心。

第二，硬件别省，但也要讲性价比。

之前为了省钱，用的普通工业相机和光源。这次听了建议，上了一套带偏振功能的专用镜头和稳定的条形光源，专门对付金属表面的反光问题。相机架设也做了防震处理。这笔硬件投入多了几万块，但把最根本的环境问题解决了，后面软件调试事半功倍。

第三，采用“人机协作”模式，而不是完全替代。

系统只负责快速筛查，把疑似有问题的零件挑出来，报警并推到一边的复检工位，由人工进行最终判定。同时，人工复检确认的缺陷图片，会立刻反馈给系统，让它继续学习。这样，既保证了最终质量，又解决了初期样本不足、模型不准的问题，老师傅也不抵触了。

实施过程分了明确的几步走：

第一个月： 硬件部署、环境改造、采集初始样本（好的和几种主要缺陷）。

第二个月： 模型初次训练上线，在一条小线上跑起来，允许误报，核心是“不漏报”。人工复检所有报警件，积累数据。

第三个月： 用新数据迭代训练了两次模型，误报率明显下降。正式接入主生产线，替代该工序原先的1名全检员。

跑顺了这条线之后，我们再如法炮制，扩展到其他四五条产品线，就顺利多了。

现在用下来，这笔账是这么算的

从开始折腾到全部几条主要产线铺开，前前后后用了差不多八个月，总投入在50万出头。主要包括硬件（相机、光源、工控机等）大概20万，软件和算法开发25万，还有几万的部署调试和培训费用。

效果怎么样？我讲几个实在的：

1. 漏检率基本没了。

以前人工检，特别是夜班和赶货时，漏检流向客户的情况每年总有那么几起。系统上线这一年多，因为该系统漏检导致的客户投诉是零。光这一项，避免的潜在损失和赔款，我觉得一年至少值10万。

2. 效率稳定，不靠老师傅了。

系统检测一个零件平均0.8秒，比最快的工人还稳。原来一个班次要配2个全检员的岗位，现在变成1个系统加1个复检员（可以兼顾两条线）。相当于每条线省下0.5个人工。我们上了4条线，省了2个全检员编制。按一个质检员一年8万左右的综合成本算，一年直接省下16万。

3. 质量数据能看见了。

以前只能月底统计个不良品率。现在每时每刻都能看到不同产线、不同班次、不同缺陷类型的实时数据和图表。比如，我们能发现周二上午的毛刺缺陷突然增多，一查是周一晚班换的那批刀具磨损了，马上就能预警和干预。

还有什么没解决好的？

当然有。比如一些极其细微的、和背景色差不多的浅表划痕，系统偶尔还是会漏，或者需要把检测速度调得很慢才能捕捉到。对于这种“临界”缺陷，目前还是需要人工在复检时特别留意。另外，一旦产品型号更换，哪怕是轻微改动，都需要重新采集一些样本让系统学习一下，不能完全“零调整”。

算总账的话，直接节省的人工和避免的损失，一年大概25-30万。我们50万的投入，回本周期大概在20个月左右。虽然比最初预期的长，但考虑到质量口碑的提升和生产过程的稳定，我觉得值。

如果重来，我会这么干

1. 别一上来就想搞个“最牛”的系统。 先找一个产品单一、缺陷明确、生产节拍稳定的工序做试点，快速见效，积累经验和信心。

2. 先把自家的检验标准量化、拍成照片。 这是和供应商沟通的基础，也能省下大量后期扯皮的时间。自己心里有杆秤最重要。

3. 硬件钱不能省。 好的相机和光源是基础，基础不牢，再牛的算法也白搭。找的供应商最好能提供硬件选型建议，甚至打包负责。

4. 留出足够的调试和时间预期。 别指望一个月上线，给自己和供应商留出3-4个月的试点周期，允许试错和调整。

5. 一定要让老师傅参与进来。 他们是最懂缺陷的人，把他们变成系统的“培训师”，而不是对立面。人机协作初期是最可行的模式。

给想尝试的同行朋友

如果你是年产值一两千万的小厂，我建议先别全面铺开。可以看看有没有那种关键的外协件来料检验，或者某一两道瓶颈工序，用相对简单的方案（比如一台相机检一个面）先试试水，投入可能就十万左右，解决一个具体痛点。

如果是像我们这样的中等规模厂，已经有明确的产能和质量压力，可以系统性地规划。关键是想清楚你最想解决的是漏检问题、效率问题，还是数据问题？不同的目标，方案的侧重点和投入都不一样。

最后说两句

上AI检测，现在技术已经比较成熟了，难的不是技术本身，是怎么把它和你厂里实际情况结合起来。别被供应商的各种新名词唬住，多问问他们“在类似我们这样的机械加工厂做过没有？”“效果数据是多少？”“实施过程中最难的是什么？”。

建议先用“索答啦AI”了解一下自己的情况适合什么方案，心里有数了再去找供应商谈，不容易被忽悠。毕竟，钱要花在刀刃上，事儿要办在点子上。