AI视觉检测：构建数字化质量与品质闭环实战指南

本文基于36氪WISE2022未来能源创投新风向大会中，阿丘科技联合创始人郑慧伟的演讲内容整理而成。旨在系统梳理AI视觉检测如何帮助企业实现质量与品质的数字化闭环，从现状痛点、价值分析到工业级AI的实践路径，以及典型行业案例，为相关从业者提供一份清晰、可落地的参考教程。

一、工厂质量管控的现状、痛点与实现难点

当前工厂质量管控主要依赖人工目检和传统AOI检测，存在以下明显问题：

• 人工目检：主观判断、视觉疲劳，检测结果难以量化，过检和漏检指标无法有效管控。
• 传统AOI检测：设备一致性差，检出率低，品质管控繁琐困难，难以满足最终的过漏检指标。
• 数据孤岛：检测图片散落在各独立设备上，难以排查、回溯，数据易丢失，也无法进行改善优化。
• 质量与工艺脱节：质量管控无法与上游生产工艺形成回溯关联，无法从源头改善品质。

工厂质量管控的核心难点体现在四个方面：

• 产量大、工艺控制点多，检测次数频繁且繁杂。
• 极限制造对精度和品控要求越来越高，产线速度加快后对检测效率要求同步提升。
• 缺陷种类细小复杂、区分度低，需要精细化区分缺陷类型才能实现工艺追溯和过漏检优化。
• 需要大量人力财力，质检员及管理成本居高不下。

此外，企业内部品质部与生产部之间存在天然矛盾：品质部关注质量达标，生产部关注产量，两者矛盾随客户要求动态变化，导致可接受良率极限在临界范围内波动。