测量仪器厂上AI视觉质检，找哪家公司做比较靠谱？

企业背景：被客户投诉逼出来的想法

我们在苏州，专门做精密测量仪器，比如卡尺、千分表、测高仪这些。厂子不大不小，员工60多号人，一年能做3000万左右的产值。

说实话，过去十几年都是靠老师傅的眼睛和手来把关质量。老师傅经验是准，但人总有走神的时候，尤其是月底赶订单，或者夜班。

去年出了个事，一批发往宁波的电子卡尺，有十几个表盘划痕比较明显，客户拍照过来投诉，我们返工加赔款，里外里亏了七八万。这还不是最要命的，最要命的是信誉受损，那个客户后来下单都少了。

老板开会拍桌子，说必须解决这个问题。传统方法就是加人，但一个靠谱的质检员月薪没7000下不来，还难招。于是有人提出来，现在不是流行AI视觉检测吗，能不能试试？

折腾的过程：从自己摸索到四处碰壁

一开始的想法：自己能不能搞？

我们厂里有两个年轻的工程师，对编程有点兴趣。他们上网查资料，用开源框架搭了个最简单的模型，拿一些有明显瑕疵的图片去训练。

折腾了一个多月，在电脑上看起来好像能识别划痕了。但一到产线上，问题全来了：光线一变就不准、产品稍微歪一点就误判、速度也跟不上流水线节拍。

最关键是，他们本职工作还得干，不能天天围着这个转。这个“业余项目”很快就搞不下去了。

第一次尝试：买现成的通用软件

自己搞不定，那就买现成的。我们找了一家做通用机器视觉软件的公司，花了五六万买了一套系统。

安装调试的时候，工程师对着我们的产品直皱眉。他们说，你们这测量仪器，外壳有金属的、有塑料的，表面有磨砂的、有高光的，反光特性完全不一样。划痕也分深浅、长短、方向，通用的算法模板很难全覆盖。

结果就是，调来调去，要么漏检太多（客户不干），要么误判太多（产线工人骂娘）。这套软件最后基本闲置了，钱算是打了水漂。

第二次尝试：找外包团队定制开发

现成的不行，那就定制。我们在网上找了个小团队，谈好价格，大概十几万，做一套针对我们几款主力产品的检测方案。

前期沟通感觉还行，对方也来看过产线。但做出来的第一版模型，准确率只有80%多，离我们要求的99%差得远。问题出在样本上：我们提供的瑕疵图片数量和质量都不够，AI“学”得不充分。

要收集大量、多样的瑕疵图片，就得故意生产坏品，或者等客户退回来的坏品，这周期太长了。项目拖了三个月，进展缓慢，双方都挺疲惫。最后我们付了一部分钱，项目不了了之。

最终方案：找到对的供应商，用对的方法

为什么选了现在这家公司？

连续踩坑后，我们学聪明了，不再看谁家广告打得响，而是开始打听同行谁做过，效果怎么样。

通过朋友介绍，我们接触了现在合作的这家供应商。他们打动我们的有几点：

1. 有同行业经验：他们给无锡一家做量规的厂子做过，虽然产品不完全一样，但都属于精密测量器具，对表面光洁度、划痕、磕碰这些缺陷的理解是共通的。

2. 方案务实，不吹牛：没跟我们讲什么“人工智能”“大数据”这些虚的，上来就问我们产线节拍多少、产品种类有多少、瑕疵类型有哪些、工人现在怎么检的。聊的都是具体问题。

3. 合作模式灵活：他们提出，可以不用一次性买断很贵的软件和模型。而是采用“基础软件费+按模型收费”的方式，我们先从问题最突出的一两款产品做起，有效果再扩。这降低了我们的初始投入风险。

   

实施过程：关键是把“人”的经验教会AI

实施过程大概花了两个半月，比我们预想的要顺利。有几个关键点：

第一步，不是急着写代码，而是梳理标准。

供应商派来的工程师，先和我们质检部的老师傅泡了一个星期。把什么是“可接受的微小痕迹”，什么是“必须判退的划痕”，一条一条梳理出来，甚至拍了对比照片，做成视觉化的检验标准书。这个步骤太重要了，把老师傅脑子里模糊的“感觉”，变成了清晰的“规则”。

第二步，解决样本少的“冷启动”问题。

他们没让我们去生产大量坏品，而是用了两个取巧的办法：

一是用高清相机采集了大量良品图片，然后在电脑里用软件模拟生成各种划痕、脏污、磕碰的图片，作为初期训练的补充数据。

二是等我们产线上自然产生不良品（总会有的），立刻拍照入库，不断丰富真实瑕疵样本库。模型是越用越准的。

第三步，软硬件一起调，适应产线环境。

他们不光调算法，还帮我们重新设计了检测工位的灯光。测量仪器反光厉害，他们用了特定的光源和打光角度，把干扰降到最低。相机也是他们根据我们的产品尺寸和检测精度帮忙选的。

关键的决策点：先试点，再推广

我们当时面临一个选择：是同时给所有产品线都上，还是先选一条线试点？

供应商建议我们选后者。我们挑了那条客诉最多的电子数显卡尺生产线做试点。这样有几个好处：

1. 投入小，万一不行损失可控。

2. 问题集中，容易快速看到效果，建立团队信心。

3. 跑通一条线的流程，后面复制到其他产品线就快多了。

这个决策后来被证明非常正确。

实际效果：解决了八成问题，但并非万能

现在用得怎么样？

系统上线运行大半年了，效果是实实在在的：

1. 检出率稳定了：对于我们已经定义清楚的划痕、磕碰、脏污等外观缺陷，AI的检出率能做到99.5%以上，比人工检的98%左右要稳定，夜班和白班一个样。

   

2. 省了一个人工：原来那条线需要两个质检员倒班，现在变成“一个质检员+AI系统”，AI做初筛，把可疑的挑出来给人复判。省下来的一个人调到其他岗位去了。算下来一年省了8万多人工成本。

3. 客诉明显下降：那款卡尺的外观投诉基本没了，客户满意度上来了。光这一项，避免的潜在损失和带来的订单增长，就值回投入了。

4. 有数据可查了：每天检了多少，不良率多少，主要是什么缺陷，系统自动出报表。开会分析质量问题时，不用再“大概”“可能”了。

还有什么没解决好的？

当然，AI不是神，也有它的局限：

1. 遇到新瑕疵会“懵”：如果出现一种我们从未定义和训练过的全新瑕疵类型，AI大概率会把它当成良品放过去。所以，我们要求质检员必须定期抽检，并且发现新问题要立刻反馈，更新模型。

2. 换产品线需要时间：我们现在只铺了三条主力产品线。每新增一个产品型号，哪怕只是外形微调，都需要重新采集图片、训练模型，这个过程快则一两周，慢则个把月，有迁移学习的成分，但做不到“即插即用”。

3. 初期投入还是有的：虽然模式灵活，但相机、光源、工控机这些硬件的一次性投入，加上软件和模型费用，我们第一条线总共花了二十万出头。对很多小厂来说，这可能还是个门槛。

经验总结：给想尝试的同行几点建议

回过头看，如果重来一次，我会这么做：

1. 别自己硬搞：除非你有专门的AI团队，否则别浪费工程师的时间。他们的价值在仪器研发上，不是从头学AI。

2. 先想清楚要解决什么问题：是漏检？是成本？还是数据？目标越具体，越容易找到合适的方案。别一上来就要“全厂智能化”。

3. 供应商一定要看行业案例：问他有没有做过测量仪器、精密加工、五金件这类对表面要求高的行业。做过汽车、手机的，不一定懂我们这行的细微之处。

4. 重视“验厂”和“验人”：一定要让供应商来你们厂里实地看，和你们的老师傅聊。也看看他们公司的技术团队是否稳定，项目经理是不是懂行、好沟通。这比看PPT重要十倍。

5. 老板要亲自盯一段时间：这不是IT部门的事，是生产质量的大事。前期标准梳理、问题协调，没有老板推动，下面人很难搞定。

写在后面

AI视觉质检对我们这种精密制造厂来说，不是赶时髦，而是解决实际质量痛点的工具。它不能完全替代人，但能让人从重复枯燥的劳动中解放出来，去做更需要判断力的工作。

这条路肯定不是一帆风顺的，选对伙伴、用对方法，成功的概率会大很多。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。

最后说一句，别怕慢，先在一个点上做透、做出效果，比铺个大摊子然后烂尾强得多。咱们做制造的，还是得一步一个脚印。