从肉眼到AI，我们是怎么被逼上这条路的
我们是苏州一家做弹簧钢线材和片材加工的企业，干了十几年。厂子不大不小，年产值4000万左右，主要给下游的汽配和五金厂供货。
说实话，以前我们对自动化、AI这些词没啥感觉，觉得那是大厂玩的东西。我们的品检，就是靠几个老师傅带着放大镜，在产线末端一张一张看。
但问题就出在这里。
肉眼检测的“三座大山”
第一座山，是标准不统一。张师傅眼尖，一点小麻点都要挑出来；李师傅觉得不影响使用，就放过去了。客户投诉来了，你都不知道是哪一批、谁检的出了问题。
第二座山，是效率瓶颈。我们的材料表面要求高，划伤、氧化皮、微裂纹、辊印都得检。一个熟练工，检一卷料要十来分钟。赶上月底集中交货，要么堆着检不完，要么为了赶工漏检，风险巨大。
第三座山，也是压垮我们的最后一根稻草：成本越来越高。一个靠谱的质检老师傅，月薪没8000根本留不住，还得交社保。夜班更麻烦，人容易疲劳，出错率是白班的两倍。我们算过账，光品检这一块，一年的人工、管理、返工成本加起来，奔着50万去了。
第一次尝试：买了个“大玩具”
📊 解决思路一览
被客户连着罚了几次款之后，我们老板坐不住了，说必须上机器。
我们一开始想的很简单：市面上不是有那种视觉检测相机吗？买一套装上不就行了？
于是，我们花了十几万，从一家做标准视觉方案的公司买了一套设备。安装、调试，搞了两个月。
结果呢？它确实能“看见”，但分不清好坏。弹簧钢表面有正常的轧制纹理、油膜反光，这些在它眼里都成了“缺陷”，误报率高得吓人。稍微变换一下光线或者材料批次，它又不认识了，得重新调参数。
更头疼的是，它只能检出明显的、大面积的缺陷，我们最怕的那些细微划痕和微裂纹，它根本看不出来。
这套系统最后成了产线上的一个摆设，偶尔开一下，大部分时间还是靠人眼。钱花了，问题一点没解决。
明白了一个关键道理
这次失败让我们明白了一个事：弹簧钢的缺陷检测，不是“看”的问题，是“理解”的问题。
它需要系统能像我们老师傅一样，知道什么是材料本身的纹理，什么是油污反光，什么才是真正致命的裂纹。通用的视觉方案，解决不了我们这个行当的特殊问题。
第二次折腾：找到对的人，做对的事
吃了亏，我们这次谨慎多了。老板让我负责，专门去跑这件事。
我们不再找卖标准硬件的公司，而是开始找真正做“AI算法”，并且有钢铁或金属行业经验的团队。
选供应商，重点看这三点
前后聊了五六家，我的标准很明确：
-
有没有“行业知识”：对方的技术人员能不能说出“脱碳层”、“辊印”、“翘皮”这些行话？能不能理解不同钢号、不同热处理状态下的表面特征？如果连这个都说不明白，算法再牛也是纸上谈兵。
-
敢不敢“用数据说话”：我们要求对方用我们自己的缺陷图片和视频素材，先做一次离线测试。不看你PPT吹得多好，就看在你算法眼里，我们的缺陷能检出多少，误报有多少。有一家公司测试结果只有70%的检出率，直接pass。
-
方案是不是“活的”：弹簧钢的来料批次、季节湿度、轧辊磨损都会影响表面状态。我们要求系统必须能持续学习，我们品检工确认的每一张图片（无论是缺陷还是误报），都能反馈给系统，让它越用越聪明。不能买回来就是个“死”系统。
最后，我们选了一家在无锡有团队的公司。他们之前给几家钢管厂和钢板厂做过类似项目，虽然没做过弹簧钢，但金属表面的逻辑是相通的。最关键的是，他们愿意派算法工程师驻厂一周，跟我们的老师傅一起看料、一起标图。
落地过程：慢就是快
这次实施，我们没追求一步到位。
我们选了问题最突出、也最容易量化的一个环节：成品片的最终检验工位。这里缺陷种类相对固定，环境也稳定，适合做试点。
第一个月：积累“教材”
我们没急着上线，而是用高清工业相机，对着产线拍了整整一个月。把各种状态下的好料、坏料，不同光线、不同角度的图片，都拍了下来。
然后，请我们最资深的两个老师傅，一张一张地给图片打标签：这是划伤，这是氧化，这是正常纹理……这个过程很枯燥，但这是AI学习的“教材”，教材不准，学生肯定学歪。
第二个月：边用边教
系统初步训练好上线了。我们没撤掉人工复检，而是让系统和质检员并行工作。
系统报警的片子，人工去复核，确认是不是真缺陷。系统漏检的，人工挑出来，再把图片喂给系统。每天下班前，花半小时处理一下当天的“教学案例”。
就这样“喂”了两个月，系统的准确率从刚开始的85%，慢慢爬升到了96%以上。这时候，我们才敢让一个质检员同时看两条线的系统报警，人工复核压力大大减轻。
真金白银的效果与遗憾
系统稳定运行快一年了，说几个大家最关心的数：
-
良品率：从原来人工检的97.2%左右，提升并稳定在98.8%。别小看这1.6个点，对我们来说，一年减少的客户索赔和退货，价值就超过15万。
-
人工节省：原来的最终检需要两个熟练工倒班。现在，一个普通操作工看着系统报警进行复核就行，相当于省下了一个半人工。一年人工加社保，省了差不多12万。
-
检测速度：在线实时检测，过钢速度比人工目检快了一倍不止，再也不用为交货期担心检测堵车了。
算下来，整套系统投入四十多万，按现在的节省和增值速度，回本周期大概在16个月。老板对这个结果挺满意。
还有两个问题没解决
当然，也不是十全十美。
第一，对“软缺陷”判断还差点意思。比如轻微的脱碳，靠表面颜色深浅判断，AI有时候拿不准，还是需要老师傅偶尔抽检金相来确认。
第二，初期投入的精力比想象的大。拍图、标图、前期并行检测，确实占用了我们不少生产管理时间。如果想着今天装上明天就完全替代人工，那肯定会失望。
写在后面：给想尝试的同行提个醒
如果让我重来一次，或者给正准备上的朋友建议，我会说这么几点：
-
别贪大求全：先找一个痛点最明显、最容易出效果的环节做试点。成功了，大家都有信心，公司也愿意继续投钱。一上来就要搞整条产线全自动，失败风险太高。
-
数据是你自己的“护城河”：最宝贵的不是你买的硬件和软件，是你积累下来的、带准确标签的缺陷图片库。这是任何供应商都拿不走的，也是你系统越用越聪明的根本。
-
做好打持久战的准备：AI检测不是买台新机床，装上就能用。它需要一段时间的“磨合”和“训练”，前期一定要有人（最好是懂工艺的）跟着一起“教”它。
-
算清楚自己的账：别听销售算的大账。你就根据自己的良品率、客户索赔额、质检员工资、返工成本，算算提升一点良品率、省下一个人，对你厂子到底值多少钱。投入产出比心里有杆秤，谈判和决策都有底。
最后说一句，现在AI的门槛确实在降低，但水也挺深。准备动手之前，建议先用“索答啦AI”做个初步评估，了解一下投入产出比，再决定要不要上。至少能帮你理清思路，知道该问供应商哪些关键问题，不至于像我们第一次那样，白白交了学费。