去年秋天，我们给浙江一家做注塑件的工厂部署了一套在线视觉检测系统。项目从初次沟通到稳定运行，前后差不多三个月。把整个过程记录下来，没别的意思，就是想让正在考虑产线质检改造的工厂，提前知道这条路大概是什么样子的。
项目最早是八月中旬接到的询盘。客户是做汽车内饰注塑件的，产品大概有七八种，大小从巴掌大到脸盆大都有。他们的问题是：质检岗位招不到人，现有的人工质检漏检率在千分之六左右，每个月大概有两三次客户投诉。预算大概够买两到三个检测工位。
AI视觉检测系统工作全流程
我们派了工程师去现场看了两天。第一件事不是看产品，而是看产线。输送带速度多少？产品从注塑机出来是什么姿态？落料点有没有定位？产线振动大不大？车间温湿度怎么样？有没有大功率设备靠近检测区域？这些问题不在现场看是看不出来的。
看完之后，我们给客户出了一个方案，重点提了三件事：
第一，注塑机出口处需要加一个机械定位夹具，因为产品落料角度不稳定，直接上视觉检测误报率会很高；
第二，检测区域要做减振处理，因为旁边有台大功率风机，底座振动会影响成像；
第三，建议分两个工位——一个装在注塑机出口做外观初检，速度快；
一个装在后道组装线前做尺寸精测，精度高。客户一开始觉得定位夹具和减振底座是"额外加钱"，不太愿意。我们解释了半天：视觉检测的前提是产品每次出现在镜头前的位置和姿态基本一致，这个前提不满足，再贵的相机也是白搭。最后客户同意了。
AI视觉检测系统工作效率提升
设备进场是九月中旬。安装花了一天半，调试花了将近两周。为什么调试这么久？因为视觉检测有个"鸡生蛋蛋生鸡"的问题：算法需要真实的缺陷样本来训练，但产线还没跑起来，哪来的缺陷样本？我们的做法是先用人工方式从过去三个月的不良品库里挑出几百件典型缺陷样品，拍照录入系统，先建一个基础模型。然后让设备跑起来，一边检测一边积累数据，模型逐步优化。这个过程急不得，大概需要一到两周才能稳定。
调试期间出过一个小插曲。有一个下午，设备突然开始大量误报，明明产品没有问题，系统却拼命报警。查了半天，发现是车间里那台大功率风机启动了，整个检测工位的底座在轻微震动，导致成像出现了亚像素级别的抖动，算法把抖动当成了缺陷。后来我们给检测工位单独做了减振底座，又在软件里加了振动补偿算法，问题才解决。这个事说明一个道理：视觉检测对环境的要求，往往比很多人想象的要高。
十月中旬，系统进入稳定运行阶段。我们拉了一组数据：上线前，该产线日均产出约四千件，人工质检漏检率千分之六，每月客户投诉两到三次；上线一个月后，日均产出四千三百件（人工质检的停顿时间省掉了），漏检率降到千分之一以下，客户投诉归零。算经济账的话，设备投入大概十三个月能回本——如果算上减少的客户索赔和返工成本，回本周期还要更短。
三个月后我们做了一次回访，客户说了一个意外的收获：数据。以前人工质检，干完就完了，除了一个合格率数字什么都没有。现在每一件产品的缺陷类型、位置、尺寸、时间全部存进了数据库。他们用这些数据做了一个分析，发现某个产品在每周三下午的缺陷率明显偏高，追查下去，发现是那台注塑机的模具在周三下午换班后预热不充分。这个问题以前人工质检根本发现不了规律，数据一拉，清清楚楚。这就是自动化检测的另一个价值——它不只是替代人力，更是让质量问题变得可追溯、可分析。
当然，这个项目也不是没有教训。最大的教训是：前期沟通时，客户对缺陷判定标准的理解和我们有差异。比如，产品表面有一道浅划痕，客户觉得"不影响使用，可以放过去"，但算法会把它判为缺陷。后来我们拉着客户的工艺、质检、生产三方一起，把每一项缺陷的判定标准逐条明确，拍照存档，做成标准样册，再把这些标准量化成算法的阈值参数。这个过程花了一周，但绝对值得。标准不统一，后面全是扯皮。
说点实在的。如果你在考虑给产线上自动化视觉检测，我们根据这些年做项目的经验，建议关注以下几点：
第一，预算不要卡太死，预留至少两成作为机动资金，因为产线改造过程中总会冒出一些前期没预料到的需求（比如定位夹具、减振处理、环境控制）；
第二，选供应商的时候，别只看方案做得漂不漂亮，去他们做过的客户现场实地看看，跟客户的技术人员私下聊聊，比看十份PPT都管用；
第三，上线后的前三个月是磨合期，安排专人盯着，有问题及时跟厂家沟通调整，别等问题堆成山了再处理。
这个项目是我们上海科迎法做的，客户产线现在还在稳定运行。如果你也在规划类似的改造，先把你的产线节拍、产品种类、缺陷类型、数据需求这些基础信息整理清楚，再带着这些信息来找我们聊方案，效率会高很多。
上海科迎法公司大楼照片
