AI 质检在制造产线的落地路径

AI 视觉质检是制造业里最容易“看起来很美、现场很痛”的场景。展会 demo 里检出率 99%，真上产线三天就被工人关掉——这种事我们见过太多次。

样本稀缺是第一道坎

产线缺陷往往是长尾：某类划痕一个月只出现两次。指望靠“收集足够坏样本”来训练，周期长到业务等不起。

更可行的做法是：

• 用正常样本先建一个“什么是正常”的基线；
• 把偏离基线的都标记为待复核，而不是一上来就自动判废；
• 让人工复核的结果反哺模型，形成数据闭环。

也就是先追求“不漏”，再逐步追求“少误”。

三个被忽视的工程关卡

1. 光照与相机位姿。同一缺陷在不同光线下差别巨大，很多“模型不准”其实是采集没稳定。
2. 人工复核的闭环。没有复核反馈，模型永远停在初版；有复核但难用，工人就不会用。
3. 可解释与可追溯。品控要能说清“为什么判废”，否则无法对接客诉与索赔。

稳定的代价是克制

我们倾向于把 AI 质检做成“辅助判级 + 人工兜底”，而不是“全自动判废”。短期看少了些噱头，长期看才会在产线上活下来。这也是双轮里“应用场景轮”的本意：让技术长在业务现场，而不是停在 PPT 上。