2. 工业质检基础

在智慧工厂的语境下谈“AI质检”，不能只盯着模型和算法，而要先把质检这件事本身看清楚：它到底在检什么、靠什么检、为什么传统方式越来越吃力、自动化又是如何一步步走到今天的。只有把这条脉络理顺，才能理解AI质检在产线中的真实位置——它不是凭空出现的新概念，而是质检需求、传感技术、计算能力和算法共同演进的结果。

一、质检的本质：在不确定中守住质量边界

工业质检的核心任务，是在生产过程中或成品出厂前，判断产品是否满足既定的质量要求。这些要求通常包括尺寸精度、表面缺陷、装配完整性、材料一致性、功能参数等。质检的本质不是“找出所有问题”，而是在成本、速度和风险之间建立一条可接受的质量边界。

从方法上看，传统质检大致分为三类：

• 人工目视与手工测量：由质检员用肉眼、卡尺、塞规、放大镜等工具判断产品是否合格，适用于小批量、多品种、低节拍场景。
• 接触式与机械量具检测：使用千分尺、三坐标测量机、专用检具等，对尺寸和形位公差进行定量测量，精度高但速度慢、柔性差。
• 基于规则的自动化检测：利用光电传感器、视觉系统、PLC逻辑等，按固定阈值或模板进行判断，适合规则明确、缺陷形态稳定的场景。

这三类方法并非互相替代，而是在不同阶段和不同工位上长期共存。理解这一点，有助于避免“AI质检一上来就要取代一切”的误区。

二、人工质检的痛点：不是不认真，而是不可持续

人工质检在制造业中曾经是绝对主力，但它的局限也非常明显。最突出的问题不是“人不够努力”，而是人的生理和心理特性决定了它难以满足现代产线的高节拍、高一致性和高可追溯要求。

• 疲劳与注意力衰减：连续目检30分钟后，漏检率会显著上升，尤其是微小划痕、色差、毛刺等低对比度缺陷。
• 主观标准不一致：不同质检员对“轻微划痕是否可接受”的判断存在差异，同一人在不同班次也可能给出不同结论。
• 速度瓶颈：人工检测节拍通常为几秒到十几秒一件，难以匹配高速冲压、注塑、SMT等产线的毫秒级节拍。
• 数据难以结构化：人工记录多为“合格/不合格”或简单备注，难以形成可分析、可追溯、可训练的数据资产。
• 招工与培训成本高：熟练质检员培养周期长，且人员流动会直接导致质量波动。

三、自动化质检的发展历程：从“能测”到“能判”

自动化质检并不是一蹴而就的，它大致经历了四个阶段，每个阶段解决的核心问题不同。

阶段	典型技术	核心能力	主要局限
第一阶段：机械与电气自动化	限位开关、光电传感器、专用检具	判断“有/无”“到位/不到位”	只能处理简单二元状态，无法评价外观和复杂缺陷
第二阶段：机器视觉规则化	工业相机、光源、图像处理算法	尺寸测量、定位、简单缺陷检测	依赖人工设定阈值和特征，换型困难，对复杂纹理不敏感
第三阶段：深度学习视觉	CNN、目标检测、分割网络	复杂缺陷识别、分类、定位	需要大量标注数据，模型可解释性弱，部署和维护门槛高
第四阶段：AI质检系统化	小样本学习、边缘计算、云边协同、MES集成	自适应换型、在线学习、质量追溯与闭环优化	对数据治理、算力调度和跨部门协同要求高

从这张表可以看出，自动化质检的演进方向并不是单纯“算法越来越深”，而是检测对象从简单状态走向复杂外观，判断方式从固定规则走向数据驱动，系统形态从单机设备走向产线级质量闭环。

四、AI质检的定位：产线质量闭环中的“智能判断层”

在智慧工厂的架构中，AI质检既不是孤立的“算法盒子”，也不是替代所有检测手段的万能方案。更准确的定位是：位于感知层与执行层之间的智能判断层。它接收来自相机、传感器、PLC和MES的数据，输出缺陷类别、位置、置信度和处置建议，并将结果反馈给分拣机构、工艺参数调整模块和质量管理系统。

从图中可以看到，AI质检向上承接感知数据，向下驱动执行机构，同时与MES/QMS形成数据回流。它的核心价值不是“比人眼更准”这一单点指标，而是把检测结果变成可追溯、可分析、可优化的质量数据，让产线具备持续改进的能力。

五、一个典型场景：从人工目检到AI质检的迁移

以某精密结构件产线为例，原先由3名质检员在流水线末端进行外观目检，主要检查划痕、压伤、缺料和色差。问题在于：夜班漏检率明显高于白班；不同质检员对“轻微划痕”的判定不一致；客户投诉追溯时，只能查到“某批次人工全检”，无法定位具体缺陷图像和判定依据。

引入AI质检后，产线在原有工位加装工业相机和环形光源，边缘推理盒运行缺陷检测模型，输出缺陷类别、位置和置信度。置信度高于阈值的直接判定，低于阈值的自动推送到复核工位由人工确认。所有图像、判定结果和复核记录写入MES，形成批次质量档案。

【AI质检工位参数示例】
相机分辨率：500万像素，帧率 30fps
光源：环形白光 + 同轴光，频闪同步
推理设备：边缘AI盒子，INT8量化，单帧推理 18ms
判定阈值：置信度 ≥ 0.92 自动判定；0.75～0.92 转人工复核
通信协议：GigE Vision 取图，Modbus TCP 输出结果
数据留存：缺陷图像保留 90 天，判定记录保留 3 年

迁移后的效果并不是“完全无人”，而是人工从“全检判断者”转变为“异常复核者和标准维护者”。质检员数量减少，但质量数据量和可追溯性大幅提升，工艺部门也能基于缺陷分布反推模具磨损和参数漂移。

六、复盘：理解AI质检定位的三个关键判断

• AI质检是系统能力，不是单点算法。没有稳定的取图、光照、通信和MES集成，再好的模型也无法在产线上持续运行。
• AI质检与传统质检是互补关系。规则视觉适合尺寸和简单缺陷，AI适合复杂外观和模糊边界，人工适合未知异常和标准制定。
• AI质检的长期价值在数据闭环。检测结果只有回流到工艺、设备和质量管理系统，才能真正降低不良率，而不是仅仅把漏检变成“有记录的漏检”。