2026-08-26 07:38:40 作者：网编
分类：文章
前年我在长三角一家汽配冲压厂蹲了三个多月，跟缺陷检测项目。亲眼见过一条刚换了AI检测方案的线，因为连续漏检三个发动机支架的表面裂纹，发到整车厂之后被整批退货，连罚款带返工赔了两百七十多万。老板在车间骂了一下午，说花了三百万买的“智能检测”，还不如干了二十年的老检验员的眼睛。
工业缺陷检测的核心，从来不是实验室里的高准确率
现在打开任何一个工业展，十个做机器视觉的，八个说自己的缺陷检测准确率超过99.9%。听起来很厉害对不对？
实际呢？99.9%的准确率，放在一天一万件产能的生产线上，每天还是会出10个漏检件。
这10个漏检件，发到客户端，就是几万几十万的赔偿。
汽车冲压件表面缺陷检测现场作业图
很多刚接触这个的工厂老板容易被这个数字忽悠。
问：开源社区好多缺陷检测模型准确率都不低，为什么不能直接拿来用？
答：核心原因还是场景不对。公开数据集里的缺陷，都是挑出来摆好，在完美光照下拍的。实际车间里呢？零件刚冲压完带点油污，换了批次钢材表面纹理变了，车间灯管坏了一根光照偏了，哪怕零件放歪了一厘米，模型直接就歇菜。更何况不同行业的缺陷千差万别，3C电子的焊锡气泡和风电法兰的锻造裂纹，根本不是一个路数，哪有通用的万能模型。
落地缺陷检测，必须先解决这三个真问题
第一个问题，小样本缺陷。大部分工厂的严重缺陷都是偶发的，跑半年可能才出几十个缺陷样本，根本凑不够AI模型训练需要的数据。你总不能故意做一万个坏件来训练吧？成本谁扛得住？
第二个问题，环境干扰。车间不是实验室，电网波动会让相机曝光飘，机床震动会让拍出来的图糊，冬天夏天车间温差大，镜头还会起雾，任何一点小变化，都可能让原本稳定的检测出一堆误报。
第三个问题，标注成本。我见过一个项目，光标注缺陷就花了四十多万，找了十个标注工标了两个多月，结果模型上线，漏检率还是降不到要求，钱全打了水漂。
动力锂电池极片缺陷检测AI识别界面图
问：现在都在说AI缺陷检测，那传统的目视、机器视觉阈值分割这些老方法，是不是都该淘汰了？
答：哪能啊！说实话，标准化程度高的简单场景，比如玻璃瓶的瓶口裂纹、PCB板的缺件这种，传统方法又快又稳，成本不到AI方案的十分之一，用着香得很。AI缺陷检测本来就是用来补传统方法覆盖不了的场景的——比如缺陷形状不固定、背景复杂、光照很难统一的场景，不是上来就把老方法拍死。那些上来就劝你把所有传统检测全换成AI的，不是坏就是想赚你更多钱。
选缺陷检测方案，一定要避开这三个坑
选缺陷检测方案，一定要避开这三个坑
❗第一个坑，只看准确率，不看漏检率和误检率。很多方案商给你算的准确率，是把所有好件都算进去的，一万个好件对了9900个，一百个缺陷对了80个，算下来准确率就是99.8%，好看得很。实际呢？百分之二十的缺陷漏检，你敢用吗？选方案的时候，一定要盯着漏检率和误检率看，漏检会让你赔钱，误检会浪费你的产能，这两个才是和你钱包直接挂钩的指标。
✅第二个坑，只看实验室测试结果，不做现场连测。不管方案商说他们在实验室测出来的数据多好，你一定要拉着他们到你自己的车间，连跑三天三夜，测不同批次的零件，测白班夜班不同光照，测沾了油污、放歪位置的零件，测出来的稳定数据才算数。我见过太多实验室数据完美，一到现场就拉胯的项目了。
💡第三个坑，忽略后续迭代成本。你的产品不可能一辈子不换型号，工艺不可能一辈子不改吧？改了之后，原来的模型不适用了，要不要重新训练？改一次收你多少钱？很多厂商卖方案的时候给你低价，之后改一次模型收你三五万，一年改个两三次，当初省的那点钱全吐回去了。最好选能给你提供简易微调工具的厂商，自己厂的工程师就能搞定改型，不用每次都找外面的人，能省大把钱。
现在工业圈吹概念吹得太凶，好像不上AI缺陷检测就是落后。其实对工厂来说，能稳定把漏检率降下来，能帮你省人工少赔钱，就是好方案。别追那些花里胡哨的概念，适合自己的，才是对的。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。如有侵权请联系删除。
文章名称：工业智能制造中的缺陷检测：落地比准确率更重要
文章链接：https://m.zystgy.cn/a/57781