结论先行 — AI 质量控制不是一个模型，而是四层能力：检测、过程监控、追溯、根因分析。多数工厂应先做检测，因为一个季度就能出可量化结果：废品率下降 20–40%、误报减少 80% 以上、检测人力减半。首条线预算 15–50 万元，从启动到稳定生产按 90 天规划。
四层能力分别是什么
- 检测：在成品或过程件上发现缺陷，落地最快、ROI 最清楚。
- 过程监控：用压力、扭矩、温度等设备信号预测不合格输出。
- 追溯：把每件产品绑定图像、参数和操作员，投诉可回溯到批次。
- 根因分析：把缺陷模式与过程变量关联，找出真正驱动因素。
从根因分析起步是项目停滞最常见的原因：它依赖前三层先把干净数据收上来。
先自动化哪一层
选”缺陷可见、产量大、当前靠人眼”的组合。这类场景 60–90 天可交付一个站得住脚的数字，也能为更难的能力建立内部信任。过程监控是自然的第二步，因为它需要的检测数据已经在采集。
证明有效的四个指标
| 指标 | 定义 | 典型目标 |
|---|---|---|
| 缺陷召回率 | 抓到的真缺陷 / 全部真缺陷 | ≥98% |
| 误报率 | 被误判为坏件的良品比例 | ≤2% |
| 一次通过率 | 无需返工即通过的比例 | +3–8 个点 |
| 单件废品成本 | 每件的材料与工时损失 | −20–40% |
每周跟踪。召回率上升但误报翻三倍的系统，只是把成本搬了位置，并没有消除。
成本区间
单工位检测（相机、光源、边缘计算、软件）约 15–30 万元；含 MES 集成与看板的线级系统约 50–150 万元；年维护通常是硬件价值的 5–10%。
90 天节奏
第 1–14 天：采集 2000–5000 张良品与已知缺陷图，与质量部门共同定义缺陷分类，并把验收阈值写进书面文件。
第 15–45 天：训练首个模型，用留出集离线验证，然后与人检并行”影子运行”，不采信结果。
第 46–75 天：开启辅助模式——系统报警、人工确认。每次分歧都记录，这是全程最有价值的数据。
第 76–90 天：已确认类别转为自动剔除，模糊类别保留人工复核，看板移交给质量团队。
常见失败模式
三个问题解释了多数失望的项目：验收标准没写下来，导致”准不准”靠争论；验证之后成像系统被改动；以及交接后没有人为模型负责。三者都是组织问题，不是技术问题。
常见问题
要换掉现有视觉系统吗？ 通常不用，AI 检测作为第二级叠加在规则预筛之后，兼顾节拍与成本。
上线前需要多少数据？ 单工位 2000–5000 张覆盖所有缺陷类别的标注图是实际下限。
一套系统能覆盖多条线吗？ 可以，中央训练、各线边缘推理是标准做法。
回收期现实吗？ 仅算人工节省与废品下降，通常是 8–18 个月。
下一步
把产线布局、缺陷清单和目标节拍发给我们，三个工作日内回复可行性说明，包含预期召回率、误报预算和成本区间。架构与报价细节见AI 视觉质检指南。
