产线视觉质检

1客户嘴上要的

「上一套 AI 视觉，把目检工位的 6 个人换掉，漏检降到零。」

这是症状或现成方案，不一定是真问题。下面看两种做法。

2照字面做，会怎么烂

3好 FDE 的实际走法

共 7 周，分 5 个阶段。带三角标记的是这一步最容易踩的坑。

1. 1

   第 1 周看判定，不看算法

   • 在目检工位跟早、中、夜三个班各站一个班次。发现同一种「划伤」，早班判报废，夜班判合格；质量部的缺陷标准只有文字描述，没有限度样本。
   • 抽 200 张历史图让三个班长盲判，三人结论一致的只有 140 张。真问题不是「识别缺陷」，是「判定标准没统一」。
   • 成功标准改为：AI 做初筛，把 90% 明显良品直接放行，剩下的送人工复判；漏检率不高于现有人工水平（以客户投诉和下工序发现为准），而不是「零漏检」。
   • 踩坑别承诺替换人。零漏检做不到，一旦客户投诉，项目就成了替罪羊。
2. 2

   第 2 周先做限度样本

   • 拉质量经理、工艺工程师和三个班长开会，按缺陷类型做「限度样本板」：每类缺陷给出可接受和不可接受的边界件，实物加照片，质量经理签字。
   • 用新标准重标 1500 张图。这一步比训练模型更重要，也是政治活：质量经理要对标准负责，他签字后班组才认。
   • 踩坑光照、工件位置不稳定时别急着调模型，先让设备组把工装和光源固定。
3. 3–4

   第 3–4 周用真产线数据跑 evals

   • 相机装在一条线上旁路运行，不影响生产。每天把 AI 结果和人工复判结果对比。
   • 测试集用过去半年真实发生过客户投诉的 30 类缺陷件，加 2000 件连续生产件。标准：投诉件全部进入「可疑」桶；良品直接放行比例不低于 85%。
   • 车间网络和 MES 隔离，判定结果先存在工位工控机，按班次导出，不要求第一期就写回 MES。
4. 5

   第 5 周班组长上手

   • 让夜班班组长自己操作复判界面一整个班次。反馈往往很具体：「可疑件图片要能放大到缺陷位置」「同一模具号连续报警要提示换模检查」。据此改界面，不加新功能。
   • 给车间主任和质量经理的 Demo 只讲一组数字：同一周，人工全检 6 人，AI 初筛后复判需要 2 人，投诉件全部被拦在可疑桶里。省下的人由车间主任决定调到哪里，FDE 不提裁员。
   • 踩坑别只在白班验证。夜班照明、操作工熟练度都不同，夜班通过才算通过。
5. 6–7

   第 6–7 周交接交接

   • 多一周是因为要覆盖一次换型，验证新料号下的表现。
   • 交给质量部一名质量工程师：他负责限度样本更新、新缺陷类型的标注和阈值调整。写一页运行手册：误报突增先查光源和工装，再查是否来了新料号。

4这个案例教给你的可复用判断