制造业质检怎么用AI落地？从视觉质检说起
制造业质检怎么用AI落地？主流路线是机器视觉质检：在产线加装工业相机，用缺陷检测模型替代或辅助人工目检，典型场景包括外观划痕、装配缺失、尺寸偏差、字符识别等，投入通常在十几万到几十万区间，落地周期3-6个月，适合人工目检招工难、漏检率高的产线。
先判断你的产线适不适合
AI质检不是万能的，适合的前提有三条：缺陷有明确的视觉特征（看得见才检得出）；检测位置和光照可以相对固定；缺陷样本能收集到一定数量。如果缺陷需要手感、气味判断，或产品频繁换型导致样本永远不够，就要慎重。先用一条产线试点，别全厂铺开。
常见质检场景与投入对比
| 检测场景 | AI方案 | 典型投入 | 落地难度 |
|---|---|---|---|
| 外观缺陷（划痕/污点） | 相机+缺陷分类模型 | 10万-30万/工位 | 中 |
| 装配完整性（缺件/错装） | 定位+比对模型 | 8万-20万/工位 | 较低 |
| 尺寸测量 | 视觉测量系统 | 15万-50万/工位 | 较高 |
| 字符/标签识别（OCR） | 识别模型 | 5万-15万/工位 | 低 |
| 安全合规（着装/行为） | 视频行为识别 | 10万-30万/区域 | 中 |
投入受相机数量、精度要求、节拍速度影响大，上表为常见区间，具体以现场勘测为准。
落地五步走
- 现场诊断：厂商到产线看节拍、光照、缺陷类型，输出可行性评估，这一步决定项目生死，别跳过。
- 样本收集：整理历史缺陷图片，每类缺陷通常需要几百到上千张样本，样本质量决定模型上限。
- 小批试运行：AI与人工并行检测2-4周，对比漏检率和误报率，达标再切换。
- 人机分工定界：初期AI做初筛、人工复核可疑品，稳定后逐步提高AI直判比例，这与AI和人工客服怎么配合的放权逻辑一致。
- 数据回流迭代：新型缺陷持续补样本，模型每月迭代，质检数据同时反哺工艺改善。
老板最关心的两笔账
替代账：一个质检工位年人力成本约6-12万元，两班倒翻倍；视觉质检投入十几到几十万，通常1-2年回本，还顺带解决质检工招工难和疲劳漏检问题。
质量账：人工目检连续工作数小时后漏检率明显上升，AI检出一致性稳定，客诉和退货的下降是隐性但更大的收益。质检数据接入管理系统后还能定位缺陷高发工序，这部分价值常被低估。效果核算可参考AI获客ROI怎么衡量的指标化思路。
常见问题
Q：产品经常换型还能用吗？
换型频繁会增加样本和调试成本，优先选择换型少、产量大的产线试点。
Q：不联网的产线能部署吗？
可以，视觉质检支持本地化部署，数据不出厂区，也符合企业数据接入AI怎么保证安全的要求。
Q：从哪个场景先做？
OCR识别和装配缺件检测难度最低、见效最快，适合作为第一个项目建立团队信心。