个人开发者如何切入传统制造业AI质检：低成本视觉检测方案实战

1. 产线末端的那个工位为什么总在招人如果你去珠三角或者长三角那些做五金冲压、注塑成型、电子组装的厂区里转一圈会发现一个很有意思的现象招聘栏里贴得最久、薪资一涨再涨的岗位往往不是技术员而是质检员。尤其是产线末端那个负责目视检查的工位人来了又走走了又招常年挂着“急聘”两个字。这个现象背后其实是一笔很朴素的账。一条中等规模的冲压线一天产出几万件小五金件靠人眼在传送带旁边盯着每件看个一两秒一天八小时下来眼睛酸、脖子僵漏检率还会随着疲劳度直线上升。更麻烦的是人会有情绪波动今天心情好可能松一点明天被组长说了两句可能就严一点标准漂移得厉害。工厂管理者不是不知道这些问题但过去几十年除了加人、加抽检频次似乎也没有更好的办法。这两年情况变了。AI质检这个词开始频繁出现在制造业的圈子里一些头部大厂上了视觉检测系统效果确实立竿见影。但随之而来的是一个很现实的问题这些方案动辄几十万上百万还要配专门的算法团队做维护中小型制造企业根本玩不起。于是很多人开始琢磨个人开发者能不能在这个缝隙里找到机会能不能用相对低的成本做出一套真正能在产线上跑起来的质检方案我过去两年陆陆续续接触过几个类似的项目有给朋友的小加工厂做的简易版也有帮一些集成商做算法模块的经历。踩过的坑不少也慢慢摸出了一些门道。这篇文章就把我理解的这个领域的机会点、技术路径、实操细节和避坑经验完整地聊一聊。2. 大厂方案覆盖不到的角落才是个人开发者的机会2.1 头部方案的成本结构决定了它们只能服务头部客户先要搞清楚一件事为什么大厂的AI质检方案那么贵不是他们故意定高价而是整套系统的成本结构决定的。一套完整的工业视觉检测系统通常包含这几块工业相机和镜头几千到几万不等、光源系统定制光源往往比相机还贵、图像采集卡、工控机、算法服务器、软件平台授权、现场部署调试、后续维护。这里面最贵的是算法研发和现场调试的人力成本。大厂做项目一个客户现场至少要派两三个工程师驻场一两个月做数据采集、标定、调参、试运行。这些人力成本摊到项目里报价自然下不来。而且大厂的销售体系决定了他们更愿意接大单子一个几十万的单子和一个几百万的单子走的流程差不多那当然优先做大的。这就导致大量中小制造企业的需求被搁置了。2.2 中小工厂的真实需求够用就好别太贵我接触过的一些小厂老板他们的诉求其实非常朴素。比如一个做连接器的小厂产线上有个环节是检查端子有没有歪、有没有缺料、表面有没有明显划伤。他们现在的做法是安排两个女工坐在传送带两边一人看一边。老板跟我说他不指望AI能检出所有瑕疵只要能替代掉一个人工或者把漏检率从现在的百分之几降到千分之几他就愿意掏钱。这种需求和大厂方案之间的错位非常明显。大厂追求的是极高的检出率和极低的误报率要能做到99.9%以上为此不惜成本。但小厂要的是“比人眼稳定就行”价格要控制在几万块以内最好一两万就能搞定。这个价格区间大厂做不了但个人开发者或者小团队是有可能做到的。2.3 个人开发者的优势灵活、便宜、离现场近个人开发者做这件事优势不在于技术有多高深而在于灵活。你可以用开源的深度学习框架用消费级的工业相机用自己写的轻量级软件把成本压到最低。你可以直接跟产线组长沟通根据他们的实际使用习惯调整界面和操作流程。你可以今天发现问题今天改不用走大厂的变更流程。更重要的是很多小厂的检测场景其实并不复杂。比如检测一个黑色塑料件上有没有白色的毛刺这种任务用传统的图像处理算法加上简单的阈值分割和轮廓分析就能做到不错的效果根本不需要上深度学习。而大厂为了通用性和可扩展性往往倾向于用复杂的方案成本自然就上去了。3. 从零搭建一套简易质检系统的技术选型思路3.1 相机和镜头的选择别一上来就追求高分辨率很多人第一次做视觉项目总觉得相机分辨率越高越好恨不得直接上2000万像素。但实际上分辨率越高图像数据量越大处理速度越慢对光源和镜头的要求也越高。对于大多数小工件的表面缺陷检测500万像素的工业相机已经足够用了。我一般会先算一个简单的账假设要检测的最小缺陷是0.1毫米视野范围是50毫米×40毫米。那么需要的像素数就是50毫米除以0.1毫米等于500像素40毫米除以0.1毫米等于400像素。也就是说至少需要500×40020万像素的相机。但为了留有余量一般会取3到4倍也就是80万到100万像素。所以500万像素的相机对于这个场景是绰绰有余的。镜头方面要根据工作距离和视野范围来选焦距。有一个简单的公式焦距工作距离×靶面尺寸/视野范围。比如工作距离是200毫米相机靶面是1/1.8英寸约7.2毫米×5.4毫米视野范围是50毫米×40毫米那么焦距大约是200×7.2/50≈28.8毫米取个接近的25毫米或35毫米定焦镜头就行。注意镜头的畸变参数很重要尤其是做尺寸测量的时候。如果预算允许尽量选低畸变的工业镜头或者在使用前做一次畸变校正。3.2 光源比相机更值得花钱的地方这是我最想强调的一点在视觉检测里光源的重要性往往超过相机。同一个缺陷打光打得好缺陷和背景的对比度能拉开好几倍后续算法处理起来轻松很多打光不好再好的相机也拍不出清晰的缺陷。常见的光源类型有环形光、条形光、背光、同轴光、穹顶光等。对于表面划痕检测一般用低角度的条形光让光线斜着打在工件表面划痕会产生明显的阴影或高光。对于字符识别或者轮廓检测背光是最佳选择工件挡住光线形成清晰的剪影。对于反光强烈的金属表面穹顶光可以提供均匀的漫射照明减少反光干扰。我自己的经验是在项目初期可以先用一个简单的可调亮度的环形光做测试看看缺陷在不同角度和亮度下的表现。如果效果不理想再考虑定制光源。定制光源虽然贵一点但往往能解决大问题。3.3 算法框架OpenCV打底深度学习按需上算法这块我的建议是先用OpenCV把传统图像处理的流程跑通。很多简单的检测任务比如有无检测、位置偏移、尺寸测量、颜色区分用OpenCV的阈值分割、形态学操作、轮廓查找、模板匹配就能搞定。这些算法速度快对硬件要求低调试起来也直观。只有当传统方法搞不定的时候才考虑上深度学习。比如表面缺陷检测缺陷形态千变万化没有固定的规律这时候用卷积神经网络做分类或者分割效果会好很多。常用的框架有PyTorch和TensorFlow模型可以选择ResNet、MobileNet、U-Net等。对于小厂的应用场景我一般推荐用轻量级的模型比如MobileNetV3或者自己搭一个小型的卷积网络在保证精度的前提下推理速度能控制在几十毫秒以内。提示不要一上来就想着训练一个通用的缺陷检测模型。先收集几百张正常样本和缺陷样本看看缺陷的类型和分布再决定用分类、检测还是分割的方案。3.4 软件界面让产线工人愿意用才是关键这一点经常被技术人员忽略。你算法做得再好如果界面复杂难用产线工人不愿意用或者用几次就出错项目照样失败。我见过太多技术很牛但界面反人类的系统最后被扔在角落里吃灰。好的质检软件界面应该做到第一操作极简工人只需要点“开始”和“停止”其他参数都锁在后台第二结果直观合格品显示绿色不合格品显示红色并报警最好能自动把不合格品标记出来第三统计清晰当班产量、合格率、缺陷类型分布这些数据要一目了然方便组长做记录。我一般会用PyQt或者Electron做界面前者适合纯Python技术栈后者适合需要更现代UI的场景。界面响应速度要快不能点一下卡半天否则工人会烦躁。4. 数据采集和标注最脏最累但最不能省的环节4.1 现场采图别在办公室拍脑袋很多开发者习惯在实验室里用几个样品拍几张图就开始调算法。这种做法在简单场景下可能行得通但一旦上产线就会发现各种意想不到的情况环境光变化、工件抖动、传送带速度波动、不同批次的材料颜色差异都会让实验室里调好的参数失效。我的做法是带着相机和光源去现场在真实的生产环境下连续采集至少一个班次的数据。这期间要记录下各种异常情况比如换料、调机、清洁设备等因为这些时刻的图像往往和正常生产时差别很大。采集的数据量对于传统算法几百张就够分析了对于深度学习至少需要几千张正常样本和几百张缺陷样本。4.2 标注自己动手还是找人帮忙数据标注是个体力活。如果缺陷类型简单比如只有“有”和“无”两种那标注起来很快。但如果要区分多种缺陷类型或者要做像素级的分割标注那就很耗时了。我的建议是初期自己标注因为标注的过程也是理解缺陷特征的过程。标了几百张之后你会对缺陷的形态、大小、分布有更直观的认识这对后续调算法很有帮助。等数据量大了再考虑用标注工具提高效率比如LabelImg、Labelme这些开源工具或者找兼职人员帮忙。注意标注的一致性很重要。同一种缺陷不同的人标出来的边界可能不一样。最好制定一个标注规范明确什么算缺陷、什么不算、边界怎么画然后让同一个人标完一类数据。4.3 数据增强小样本情况下的救命稻草小厂能提供的缺陷样本往往很少可能就几十张。这种情况下数据增强就是必须的。常用的增强手段包括旋转、翻转、缩放、平移、亮度调整、对比度调整、加噪声等。对于缺陷检测还可以用CutMix、MixUp这些方法把缺陷区域裁剪出来贴到正常样本上生成新的训练数据。但要注意增强不能乱做。比如检测划痕方向的时候就不能随便旋转因为旋转会改变划痕的方向特征。增强的方式要符合实际生产中可能出现的变换。5. 现场部署时那些让人头疼的细节5.1 触发和同步别让相机拍糊了产线是运动的相机如果一直开着拍会拍到大量模糊的图像。所以需要触发机制让相机在工件到达指定位置时再拍。最简单的触发方式是用光电传感器工件挡住光线时产生一个信号触发相机拍照。这种方式成本低、可靠性高适合大多数场景。如果产线速度很快或者工件位置不固定就需要考虑用编码器触发根据传送带的移动距离来精确控制拍照时机。还有一种方式是连续拍照加软件触发但这对处理速度要求很高一般不建议。提示触发信号和相机曝光之间的延迟要标定好否则拍到的位置会偏移。可以用一个已知位置的标记物反复调整延迟参数直到拍到的位置稳定为止。5.2 环境防护车间不是实验室车间的环境对电子设备很不友好。粉尘、油污、震动、温度变化、电磁干扰都会影响系统的稳定性。相机和镜头要加防护罩工控机要放在电控柜里线缆要走线槽并固定好避免被踩到或者被工件砸到。电源也要注意。车间的电压波动可能比较大最好给工控机和相机配一个稳压电源或者UPS。我遇到过因为电压波动导致相机重启的情况产线停了半小时损失不小。5.3 误报和漏报的平衡产线停机的代价这是实际部署中最难拿捏的一点。误报就是把合格品判成不合格漏报就是把不合格品判成合格。从质量角度漏报更严重因为不良品会流到客户手里。但从生产效率角度误报更让人头疼因为频繁的误报会导致产线频繁停机工人会烦组长会骂。我的经验是初期可以稍微偏向保守宁可误报多一点也不要漏报。等系统稳定运行一段时间工人对系统建立信任之后再逐步调整阈值降低误报率。调整的时候要和产线负责人一起看数据让他们参与决策这样他们才会对结果负责。6. 个人开发者接这类项目的几个现实问题6.1 报价别把自己做成了廉价劳动力很多个人开发者第一次接制造业的项目不知道该怎么报价。报高了怕客户跑报低了又亏自己。我的建议是先算清楚自己的成本硬件成本相机、镜头、光源、工控机等、软件成本开发工具、库的授权等、时间成本现场调研、开发、部署、调试、培训、差旅成本、售后成本。然后在这个基础上加30%到50%的利润。不要跟客户说“我先免费给你做一个试试”这种项目一旦免费后面就很难收费了。而且免费的东西客户不会珍惜提需求会毫无节制。最好是先收一笔定金做一个小范围的试点验证效果后再签正式合同。6.2 需求变更白纸黑字写清楚制造业客户往往不懂技术他们提需求的时候可能说“你帮我看看这个工件有没有问题”但“问题”的定义很模糊。是只看表面划痕还是包括尺寸偏差划痕多长算缺陷这些问题如果不提前明确后面会扯皮。我的做法是在项目开始前和客户一起制定一份检测标准文档用照片和文字明确说明什么算合格、什么算不合格。这份文档要双方签字确认后续如果有争议就以这份文档为准。如果客户中途要改标准那就走变更流程重新评估工作量和费用。6.3 售后维护别做完就跑制造业的设备是24小时运转的系统出问题的时候往往是半夜或者周末。如果客户打电话给你你半天不响应下次他们就不会再找你了。所以售后维护这块要么自己勤快点要么找一个本地的合作伙伴帮忙。我一般会在合同里写明售后响应时间比如工作日4小时内响应非工作日8小时内响应。远程能解决的远程解决远程解决不了的约定上门服务的费用标准。这样既保护了自己也让客户心里有底。7. 这个方向到底能不能做我的真实看法回到标题的问题传统制造业的AI质检个人开发者还有机会吗我的答案是有机会但机会不在那些高大上的场景里而在那些大厂看不上、小厂又确实需要解决的细碎问题里。这个方向不会让你一夜暴富一个项目可能也就赚个几万块而且过程很辛苦要跑现场、要熬夜调参、要跟各种人沟通。但它是一个可以持续积累的方向。每做一个项目你就会多了解一个行业、多积累一套数据、多打磨一次算法。做得多了你会发现很多检测场景其实是相通的可以复用之前的代码和经验效率会越来越高。更重要的是这个方向能让你真正接触到制造业的痛点理解产线的逻辑这些经验是坐在办公室里写代码得不到的。如果你愿意沉下心来一个厂一个厂地跑一个场景一个场景地啃这个市场足够养活一个小团队。我自己的体会是做这类项目技术只占三成剩下的七成是沟通、是理解现场、是把复杂的事情做简单。别把算法想得太重要能把一个简单的算法在产线上稳定跑一年比在实验室里刷到99%的准确率有价值得多。