航空材料做AI视觉质检，买现成系统还是自己开发？

我们为什么非上AI质检不可

我是苏州一家航空材料厂的负责人，厂子不大不小，年产值一个多亿，主要做飞机内饰用的复合材料和部分结构件毛坯。

说实话，以前觉得AI离我们这种“傻大黑粗”的制造业很远。直到去年，一个老客户——国内一家大飞机配套厂——在审厂时，很严肃地跟我们提了个要求：能不能把人工目视检测的环节，用更客观、可追溯的系统替代一部分？他们说，这是提升供应链质量一致性的趋势。

压力一下子就来了。我们面临的几个具体问题，你可能也遇到过：

第一，标准太难统一。 航空材料对表面瑕疵的要求近乎苛刻。一个针尖大小的凹坑、一丝几乎看不见的划痕，在客舱内饰板上可能就是不合格品。三个老师傅，用同一张标准图卡，对同一个工件可能给出三种判断。新来的质检员更懵，头三个月出错率居高不下。

第二，效率卡脖子。 大尺寸的复合材料板，质检员要像扫雷一样，一寸一寸地看，一块板子检下来要二三十分钟。遇到月底赶订单，为了抢进度，漏检的风险直线上升。夜班就更别提了，人容易疲劳，质量波动很大。

第三，数据说不清。 客户问：“这批货的典型缺陷是什么？集中在哪个工艺环节？”我们只能翻纸质记录，凭老师傅回忆，给不出像样的数据报告。出了问题，追溯起来特别麻烦。

算了一笔账，我们养着8个专职质检员，两个班倒，一年人工成本就近50万。这还不算因为漏检、误判导致的退货和信誉损失。我们意识到，不上点真东西，恐怕要丢订单了。

踩过的坑，比预想的多

一开始，我们想法很简单：找个做视觉检测的公司，买套系统装上不就完了？

第一坑：通用方案“水土不服”

我们最先联系的是一家做通用机器视觉的供应商，方案演示得很炫，识别螺丝、标签飞快。但一到我们车间就傻眼了。

我们的材料表面不像金属那么反光，有的是哑光纹理，有的是编织物肌理。通用打光方案下，该看的瑕疵看不清，不该看的纹理反而被凸显成“缺陷”，误报率高得离谱。对方工程师调了一周参数，效果还是不稳定，最后坦白说，我们的材料太特殊，他们的算法库没“见过”。

第二坑：自己组团队，深不见底

一赌气，我想：不就是算法吗？咱自己招人搞！高薪请了一位算法工程师，又配了两个软件调试员。

头两个月，光是搭环境、买深度学习服务器、收集和标注图片，就投进去十几万。算法小哥很努力，但他对复合材料的生产工艺、缺陷成因完全没概念。他做出来的模型，在测试图片上准确率有95%，一上产线，换个批次、光线稍有变化，就乱报警。

更头疼的是，产线工人和IT团队根本说不到一块去。工人说“这个地方的树脂积聚”，程序员理解成“白色斑块”，沟通成本巨大。搞了半年，项目陷入僵局，团队士气低落，钱像流水一样花出去。

第三坑：低估了“落地”的麻烦

就算算法过关了，怎么把它装到产线上也是个问题。我们的复材板有的长达数米，需要定制化的龙门架或轨道来安装相机。车间有震动、有油雾，工业相机的防护、线缆的铺设，每一处都是工程问题，不是写代码能解决的。

怎么找到对的路子

连栽几个跟头后，我们冷静下来，重新思考。核心就一个问题：我们需要的是什么？不是一个炫技的算法，而是一个能在我们车间里稳定干活、能解决实际问题的“超级质检员”。

关键决策一：不找“万能药”，专找“老中医”

我们不再找那些什么行业都做的通用方案商，而是开始寻找有航空航天或高端复合材料行业落地案例的团队。后来通过同行介绍，接触了一家给无锡某叶片厂做过检测方案的服务商。

他们一来，先不谈方案，而是在我们车间泡了三天。看材料、看工艺、看现有检具、跟老师傅聊天，把各种典型的缺陷样本（包括那些极其罕见的）收集了一遍。他们能听懂“贫胶”、“富胶”、“分层”这些行话，这就让我们感觉靠谱了一半。

关键决策二：先解决“有没有”，再追求“好不好”

对方提了个务实建议：别想一口吃成胖子。先选一个痛点最明显、缺陷类型相对固定的环节做试点。我们选了内饰复合板最后的“成品外观检”环节。

这个环节的缺陷主要是划痕、凹坑、污渍和色差，虽然也很难，但边界相对清晰。他们承诺，用两个月时间，在这个单点上做到比人工更稳定、可追溯。

方案是“软硬一体”的轻度定制：硬件上，根据我们的板子尺寸和车间环境，设计了一个带多光源阵列的封闭式检测舱；软件上，用我们提供的几千张“带病”和合格图片去训练他们的专用算法模型。

关键决策三：人要融合，不是替代

实施过程中，我们达成了一个重要共识：AI不是要替代老师傅，而是要把老师傅的经验“固化”下来，去辅助和培训新员工。

我们让两位最有经验的老师傅，全程参与图片标注和算法评估。系统每报一次警，都会把疑似缺陷区域放大显示，并给出判断依据（比如“疑似划痕，长度约2mm”）。老师傅可以点头确认，也可以纠正它。这个纠正的过程，反过来又在训练AI，让它越来越准。

现在用起来到底怎么样？

从试点上线到现在，跑了快八个月。说脱胎换骨是吹牛，但实实在在的变化有几个：

1. 标准终于统一了，夜班也放心了

同一个瑕疵，AI每次的判断都一样。夜班工人再累，系统也不会“打瞌睡”。我们把AI的检测结果作为一票否决项，人工再进行复检，双重保险下，流到客户端的投诉率下降了70%以上。

2. 效率提升肉眼可见

原来人工检一块大板要20-30分钟，现在过一遍检测舱，加上人工复判，总时间控制在10分钟以内。省下来的时间，让质检员能更专注地处理AI挑出来的疑似件，工作强度反而下降了。

3. 数据能说话了

每个月系统都能出一份报告：本月Top3缺陷是什么，主要出现在哪个班组、哪个批次。生产部门拿到报告，可以倒推去调整热压温度、铺层工艺，形成了质量改进的闭环。这是我们以前想都不敢想的。

4. 算算经济账

整个项目，包括硬件、软件和实施，总投入在60万左右。原来8个质检员，现在优化了2个（通过自然流失），一年省下人工成本12万。更重要的是，预计每年能减少因外部质量索赔和内部报废带来的损失约30-40万。这样算下来，回本周期大概在14-16个月，属于我们管理层能接受的范围。

当然，问题还有：

• 新缺陷的识别：遇到从未见过的全新缺陷类型，系统还是会漏掉，需要人工及时发现并补充样本给它学习。

• 设备维护：光源有衰减，相机镜头需要定期清洁，这些都需要建立新的设备点检制度。

• 员工适应：部分老员工一开始有抵触，觉得机器在挑战他们的权威，需要时间和沟通去转变观念。

如果重来，我会这么干

走过这一趟，如果再让我做一次选择，我的思路会清晰很多：

1. 先梳理需求，别被技术带跑

别一上来就问“AI能干啥”。先把自己车间里最疼的那个点找出来，写清楚：是什么缺陷？多大尺寸？什么背景？人工检现在多慢、多不准？带着具体问题去找方案，才不会被忽悠。

2. 供应商考察，案例比PPT重要100倍

一定要看同行案例，最好是跟你材料特性、工艺相近的案例。要求去对方客户的现场（或视频连线）看看，问问他们用了多久，日常维护麻烦不麻烦，供应商响应及不及时。这些真实反馈，比销售说的任何话都管用。

3. 小步快跑，设立阶段性目标

别搞“交钥匙”工程，要求供应商分阶段交付和验收。比如：第一阶段，在标准样品上识别率达到95%；

第二阶段，在连续生产批次上误报率低于多少。达不到目标，就不付下一阶段的钱。这样双方风险都可控。

4. 做好“人机结合”的准备

预算里一定要留出一部分，用于人员培训、流程改造和初期的并行作业。AI上线不是安装完就结束，而是管理变革的开始。让老师傅成为系统的“教练”，而不是对手。

写在最后

航空材料这行，质量是生命线，一点都马虎不得。上AI视觉质检，对我们来说不是赶时髦，而是被逼到墙角后必须做的选择。它确实不是万能药，解决不了所有问题，但在提升一致性、稳定性和可追溯性上，作用非常明显。

如果你也在考虑这件事，我的建议是：别怕，但也别急。把期望值放在合理的位置，找到那个真正懂你行业痛点的合作伙伴，从小处着手，扎实地做下去。

如果还在纠结自己的厂子适不适合做、或者该从哪里入手，可以先去“索答啦AI”上咨询一下。它就像个懂行的老伙计，能根据你厂里的具体情况，帮你分析分析利弊，捋捋思路，至少能让你在找供应商谈的时候，心里更有底。