人工智能驱动的质量检测：生产线上的计算机视觉

生产线上的人工目视检查员的工作吃力不讨好。他们盯着从他们身边经过的产品几个小时，寻找可能出现在不到千分之一的产品上的缺陷。研究表明，人工检查的准确度从轮班开始时的 90% 下降到四小时后的 70% 以下。八小时轮班结束时，经验丰富的检查员平均能发现大约 80% 的缺陷。剩下的 20% 由于质量问题而到达了客户手中。

人工智能驱动的计算机视觉系统不会感到疲劳，不会分散注意力，也不会心情不好。现代视觉系统在所有班次连续运行的情况下实现了 99.5% 的缺陷检测率。他们检查每个单元，而不仅仅是样品。它们生成的数据可以反馈到流程改进中，帮助制造团队消除缺陷的根本原因，而不仅仅是发现有缺陷的产品。

本文是我们的【人工智能时代的制造】(/blog/manufacturing-ai-iot-industry-4)系列的一部分。

要点

• 人工智能视觉系统实现了 99.5% 的缺陷检测率，而人类检查员在整个班次中的缺陷检测率约为 80%
• 硬件设置（摄像头、照明、定位）与 AI 模型一样重要，以获得可靠的检测结果
• 迁移学习使制造商能够部署有效的模型，只需 200-500 张带标签的缺陷图像
• 当部署在大批量生产线上时，投资回报率通常会在 8-14 个月内收回

---

计算机视觉质量检测的工作原理

检查管道

计算机视觉检测系统通过一系列步骤处理每个产品：

图像采集：工业相机在产品通过检查站时捕获产品的高分辨率图像。相机选择、镜头选择和照明设计决定了人工智能模型可用的原始数据的质量。

预处理：通过以下操作对原始图像进行标准化：

• 感兴趣区域提取（裁剪到相关产品区域）
• 几何标准化（校正位置和方向变化）
• 色彩校正（补偿照明漂移）
• 图像增强（对比度调整、降噪）

模型推理：预处理的图像通过训练有素的深度学习模型，输出以下一项或多项：

• 二元分类：通过或失败
• 多类分类：特定缺陷类型（划痕、凹痕、变色、错位）
• 物体检测：发现的每个缺陷的位置和类型
• 语义分割：缺陷区域的像素级映射

决策和行动：基于模型输出和配置的阈值：

• 好产品不断涌现
• 有缺陷的产品被转移到废品箱或返工站
• 边缘案例被标记以供人工审查
• 记录所有结果以进行质量跟踪和流程改进

---

硬件要求

相机选择

对于大多数离散制造应用，5-12 MP 范围内的区域扫描 CMOS 相机可在生产速度下提供足够的分辨率。线扫描相机对于印刷、涂层和纺织制造等连续工艺至关重要。

灯光设计

照明可以说比相机的选择更重要。相同的缺陷在一种照明条件下可能不可见，而在另一种照明条件下则很明显。

用于推理的边缘计算

AI模型推理必须在下一个产品到达检验站之前完成。以每分钟 60 个零件的生产速度，系统每次检查只需一秒，包括图像捕获、处理、推理和驱动。

对于大多数生产线检测，Jetson Orin Nano 或类似的边缘设备以合理的成本和功耗提供足够的性能。

---

AI模型选择与训练

制造检验模型架构

图像分类（通过/失败或缺陷类型）：

• EfficientNet、ResNet 或 MobileNet 变体
• 推理速度快，训练数据要求适中
• 当图像中任何地方存在缺陷而触发拒绝时最好

对象检测（缺陷定位和分类）：

• YOLOv8、Faster R-CNN 或 SSD 变体
• 为有针对性的返工提供缺陷位置
• 训练期间需要边界框注释

语义分割（像素级缺陷映射）：

• U-Net、DeepLab 或 Segment Anything 变体
• 最详细的输出，最高的注释成本
• 当缺陷尺寸测量很重要时需要

异常检测（无监督，仅学习正常）：

• 基于自动编码器或 PatchCore 方法
• 仅需要优质产品的图像进行培训
• 当缺陷类型未知或高度可变时有效

训练数据要求

迁移学习是大多数制造商的实用方法。从在数百万张通用图像 (ImageNet) 上预先训练的模型开始，然后根据您的特定产品和缺陷图像对其进行微调。这样只需从头开始构建模型所需的一小部分数据和训练时间即可实现生产质量的结果。

数据收集最佳实践

• 在生产中使用的精确照明和相机设置下捕获图像
• 包括产品定位、照明强度和背景的变化
• 收集各种严重程度的缺陷示例（明显处于临界状态）
• 包括不同生产批次和时间段的图像
• 在培训前让质量专家审查并确认所有标签

---

与制造质量系统集成

连接到 Odoo 质量模块

人工智能检查结果通过以下方式输入更广泛的质量管理系统：

自动质量记录：每次检查都会在 Odoo 的质量模块中创建一条记录，其中包含检查结果、缺陷分类（如果有）、置信度分数和捕获的图像。这提供了从检查到处置的完整可追溯性。

SPC 集成：来自 AI 检测馈送统计过程控制图的缺陷率。特定缺陷类型的突然增加会在过程进一步失控之前触发调查。我们的质量管理和 SPC 指南详细介绍了这种集成。

根本原因反馈：通过将缺陷模式与生产变量（机器、材料批次、操作员、班次、环境条件）相关联，人工智能检测数据有助于识别根本原因。显示更换工具后机器 3 上的划痕缺陷增加的模式表明维护团队需要注意一个特定问题。

持续模型改进：被人工智能模型标记为边界的产品将被发送给人工检查员。他们的通过/失败决策成为新的训练数据，随着时间的推移改进模型，从而创建一个良性循环，系统运行的时间越长，性能就会越好。

---

投资回报率计算

没有人工智能检查的质量成本

人工智能检查投资和节省

年度运营成本：每个站 5,000-15,000 美元（维护、云服务、模型更新）

预期节省：

• 检查劳动力减少 60-80%（检查员重新部署以进行根本原因分析）
• 质量逃逸减少 90-95%（检测率分别为 99.5% 与 80%）
• 废品减少 30-50%（较早检测意味着减少对缺陷材料的处理）
• 保修索赔减少 20-40%（到达客户手中的缺陷产品更少）

对于每年在质量成本上花费 75 万美元的制造商来说，在总成本为 15 万美元的两条生产线上部署人工智能检测通常每年可节省 30 万至 45 万美元，投资回收期为 4 至 6 个月。

---

常见挑战和解决方案

---

常见问题

训练人工智能检测模型需要多少缺陷图像？

使用迁移学习（微调预训练模型），每个缺陷类型 200-500 个标记图像通常足以满足初始部署的需要。然而，模型性能随着数据的增加而提高。实用的方法是使用初始训练数据进行部署，将边界案例发送给人工检查员进行标记，并每月使用积累的数据重新训练模型。经过 6 个月的生产后，该模型通常具有数千个标记示例并达到峰值性能。

人工智能巡检能否完全替代人工巡检？

在大多数情况下，人工智能检查取代了重复的视觉检查任务，但不能取代检查员的角色。人工检查员转向更高价值的活动：审查人工智能系统标记的边界案例、调查缺陷趋势的根本原因、验证新产品设置以及维护检查系统。这种转变提高了工作满意度（减少重复性工作）和质量成果（将人类专业知识集中在最重要的地方）。

好产品被拒绝的误报怎么办？

通过阈值调整来控制误报（拒绝好产品）。更保守的阈值会发现更多缺陷，但也会拒绝更多好产品。大多数制造商设定阈值以实现零误报（绝不通过有缺陷的产品）并接受 1-3% 的误报率，并将这些产品送交人工审查。误报（重新检查成本）的经济影响通常远小于误报（客户投诉、保修索赔）。

---

下一步是什么

人工智能驱动的质量检测是计算机视觉在制造业中最成熟、投资回报率最高的应用之一。技术经过验证，硬件价格实惠，并且与 ERP 质量系统的集成路径已经建立。如今部署人工智能检测的制造商获得了质量优势，随着时间的推移，随着模型随着更多数据的改进而不断增强。

ECOSIRE 帮助制造商实施与 Odoo 质量管理 集成并由 OpenClaw AI 提供支持的人工智能检测系统。从相机和照明设计到模型培训和生产部署，我们的团队提供端到端视觉检测解决方案。

浏览我们关于质量管理和 ISO 9001 和智能工厂物联网架构 的相关指南，或联系我们 讨论您的质量检验挑战。

---

由 ECOSIRE 发布 — 通过 Odoo ERP、Shopify 电子商务 和 OpenClaw AI 等人工智能驱动的解决方案帮助企业扩展规模。