摘要：本文基于多个机械零部件产线的AI缺陷识别落地项目，拆解了实验室高准确率模型上线翻车的核心原因，给出了工业场景下AI缺陷识别的核心选型指标与成本控制方案，适合准备落地该技术的中级工程师参考。
去年我跟进了国内某汽车供应商底盘冲压件的质检改项目，那是我第一次真的明白，AI在实验室里是一回事，放到产线跑，完全是另一回事。
当时客户原来用的是人工质检，每个班要放8个熟练工，漏检率还一直下不去，老板下定决心要上AI。一开始找了某头部AI厂商的现成方案，实验室用筛选好的标准数据集测试准确率能到99.2%，所有人都觉得没问题。结果上线第一天，就把3%的表面带浮锈的合格件全部打废，还漏检了两个带隐藏裂纹的转向臂支架。
吓出一身冷汗。
从实验室99%准确率到产线不及格，坑在哪？
很多刚接触AI缺陷识别的工程师，第一个误区就是拿实验室的准确率当最终性能。我可以负责任说，工业场景下，脱离了工况的准确率，一文不值。
我们复盘那次翻车，第一个问题出在数据。厂商给模型训练用的标注数据，全是挑出来的干净缺陷样——把缺陷抠出来，放到纯色背景，标得整整齐齐。真实产线是什么情况？冲压件表面会有切削液残留、会有浮锈、会有输送带投下来的光影变化，甚至工人手套上沾的油污蹭上去一点，AI都直接当成裂纹缺陷给打回去。
第二个坑，是缺陷的位置和形态根本不固定。冲压模具用个三五天就会磨损，新出的零件毛刺位置跟新模具的时候差了两个毫米，很多固定锚点的模型直接就检测不到了。换个新批次产品，尺寸变了五毫米，整个模型直接废了一半性能。
说实话，那次我们项目组蹲在产线边改了整整十四天，每天跟着工人三班倒，收集了两千多张真实工况的干扰样本重新微调，才把误检率从12%压到1.5%以下。头发掉了一把。
落地级AI缺陷识别，核心要抓哪几个工程指标？
很多人上来就问，你用的是YOLO还是ViT？准确率多少？其实工业落地，核心指标根本不是这个。
第一个必须卡死的指标，是真实工况下的漏检率。尤其是汽车、航空这些安全件行业，按照IATF16949质量体系的要求，安全件的漏检率必须低于0.1ppm，也就是百万件里不能超过1件漏检。误检率高一点，最多就是多一道人工复检，漏检一件，那就是整车召回的大事，这个红线碰不得。
第二个指标，是单帧推理延迟。我见过不少漂亮的模型，300万像素的单张图推理要300多毫秒，产线节拍是每分钟12件，你拍了照AI还没算完，下一件已经过来了，直接乱套。行业通用要求是，单帧推理必须低于100ms，才能适配大多数中小零部件的产线节拍。
再说说模型选型，很多人迷信大模型，什么参数越大越好。不过话说回来，中小零部件产线的缺陷一共就那几类——裂纹、气孔、毛刺、凹坑，改好的YOLOv8足够用，准确率跟大模型差不了一个点，推理速度快三倍，显存占用只需要四分之一，成本降下来不好吗？
还有个很多人忽略的点，就是标注质量。我见过太多项目把标注外包给大学生，标注员根本分不清什么是允许的工艺痕迹，什么是致命缺陷。比如冲压件的拉毛，行业标准是大于0.2mm深度才是缺陷，小于的不影响性能，标注员不管，全标成缺陷，模型能准才怪。做AI缺陷识别，一定要让工厂的老质检参与标注，这个钱省不得。
中小工厂落地AI缺陷识别，怎么控成本？
现在很多AI厂商开口就是几十万一套，吓退了不少中小厂子。其实完全没必要花那个冤枉钱。
第一个降本点，是用半监督标注代替全人工标注。我们现在做新项目，都是先拿100张标注好的典型缺陷样做预训练，然后让模型自动标注剩下的几万张样本，人工只需要改模型标错的部分，标注成本直接降70%还多，准确率跟全人工标注差不到0.5%，足够用了。
第二个降本点，是不要上来就搞云端集群，用边缘推理就够了。大多数中小厂子的产线，也就2-4台相机，一张RTX 3090就能跑2路相机的实时推理，整套硬件下来才一万多块钱，比几十万的云端服务器划算太多，延迟还更低。
别信什么「一次部署终身可用」的鬼话。产线模具天天磨，原材料批次天天变，缺陷的形态位置一直在变，哪有一劳永逸的好事？成熟的方案一定是预留了简单的微调入口，每个月让工厂的质检抽两个小时，更个三五十个新样本，模型性能就能一直保持，这个才是可持续的。
对了，如果你那是多品种小批量的产线，别一开始就想着覆盖所有产品。先挑产量最大、缺陷最稳定的那个品种做，跑通了再慢慢扩，风险小很多，回本也快。
AI缺陷识别本来就不是什么炫技的黑科技，就是个接地气的工程活儿。把工况考虑全，把数据做对，别拿实验室的漂亮数据当幌子，真蹲到产线边把一个个小坑填上，就能用得顺手，就能真的帮工厂省钱省人。
