工业AI视觉检测：金属表面缺陷质检选型与POC落地指南

去年冬天我在一家冷轧带钢厂待了两天最扎眼的不是产线是质检工位。白班六个人一人守一段板面手里攥着强光手电侧着照看到可疑的地方用记号笔圈出来。夜班只有两个人来的还是刚入职三个月的新人。车间主任跟我说了句很实在的话老师傅的眼睛是消耗品招人又招不到只能上设备。这就是工业AI视觉检测在这个行业里被反复提起的原因也是金属表面缺陷质检这块生意最近几年变得特别热的底层推力。话题热供应商就多多到你打开任何一个展会名录能列出上百家自称能做金属表面检测的公司。但真正在产线上跑得住、跑三年不出事的比例远没有名录上看起来那么乐观。这篇东西不打算给你一个排行榜那种榜单对选型几乎没有帮助因为排行榜评的是公司名气不是方案匹配度。我想聊的是金属表面到底难在哪、市面上这几类供应商各自是什么活法、你在给他们打电话之前必须先把哪些事情定死、POC 测试怎么组织才不算白做、以及那些签完合同、设备进厂之后才会暴露的坑。如果你正在为一条产线的表面质检找方案或者已经买了一套但用得不顺这篇应该能让你少走几个月弯路。1. 金属表面缺陷检测的第一道坎在成像不在算法很多人第一次接触这个领域脑子里想的是找个算法团队把缺陷图片喂进去训练。这个思路在纸箱、织物、塑料件上部分成立在金属上大概率会翻车。原因是金属表面对光的响应方式跟这些材质完全不是一个逻辑。1.1 高反光表面把缺陷和光斑混在一起冷轧板、铝箔、不锈钢镜面板、抛光件这些材料的表面反射率极高接近镜面。你用普通的环形光去打相机看到的基本是一片亮斑加几道强反光条纹缺陷的灰度对比度可能只有 5 到 15 个灰阶而反光条纹能达到 200 个灰阶以上。信噪比在这个层面上就已经被打死了再强的算法也救不回来。所以这类表面的第一件事是控光——不是打光是控光。常见的做法是暗场照明加同轴落射或者用条形光在低角度掠射让划伤和压痕因为散射而变亮、平整面保持暗。还有一种做法是用偏振片把镜面反射的偏振态滤掉只留下缺陷散射出来的那部分光。这些手段听着简单但角度差 3 度效果就完全不同必须拿实际样品在现场试。我见过不止一次供应商在办公室用一套通用环形光给你演示图片上缺陷清清楚楚设备拉到产线换成实际料卷图片上一片糊。不是算法不行是光就没打对。1.2 有些缺陷 2D 相机天生看不见油污、水渍、轻微压印、氧化色差这些在 2D 灰度图上有特征可以检。但凹坑、辊印、边部增厚、折印这类有深度信息的缺陷2D 图像上往往只表现为一片模糊的灰度变化跟照度不均几乎没法区分。这时候需要 3D 手段主流是线激光轮廓测量靠三角测量原理拿到表面高度图深度分辨率可以做到微米级。实际项目里比较稳的架构是 2D 加 3D 融合2D 负责划伤、污渍、色差、孔洞3D 负责凹坑、鼓包、板形起伏两路结果在软件层做空间对齐后合并判定。选型的时候一定要问清楚你们方案里 3D 是标配还是选配如果对方只做 2D而你的缺陷谱里有 30% 是深度类缺陷那这套系统上线后你会一直在跟漏检扯皮。1.3 分辨率、行频、幅宽三者之间的死结这是选型里最硬的技术约束也是供应商最容易含糊过去的地方。我用一个具体例子把它算清楚。假设你的产线是连续退火线带钢线速度 60 米每分钟也就是 1000 毫米每秒成品幅宽 1250 毫米客户投诉的最小缺陷是 0.1 毫米的点状瑕疵。# 成像参数估算以线扫描相机为例 line_speed_mm_s 60 * 1000 / 60 # 1000 mm/s width_mm 1250 min_defect_mm 0.1 pixels_per_defect 3 # 工程经验缺陷至少覆盖3个像素 pixel_size_mm min_defect_mm / pixels_per_defect # 0.0333 mm/pixel horizontal_px width_mm / pixel_size_mm # ≈ 37500 px line_rate_hz line_speed_mm_s / pixel_size_mm # ≈ 30000 Hz print(f像素精度: {pixel_size_mm:.4f} mm) print(f横向总像素: {horizontal_px:.0f} px) print(f所需行频: {line_rate_hz:.0f} Hz) # 数据带宽8bit 灰度 camera_px 16384 bandwidth_gbps camera_px * 8 * line_rate_hz / 1e9 print(f单台16K相机带宽: {bandwidth_gbps:.2f} Gbps)算出来的结果很有意思横向需要约 37500 个像素一台 16K 线扫相机16384 像素远远不够至少三台拼接或者用两台加光学缩倍。行频需要 30 kHz这在 16K 分辨率下是接近上限的工况必须走 CoaXPress-12 或者多口万兆单台相机的数据带宽大约 3.9 Gbps三台就是 12 Gbps 左右采集卡和主机的 PCIe 通道要提前规划好。为什么要算这个因为很多供应商报方案的时候会默认你的检测精度是 0.3 毫米甚至 0.5 毫米。如果你自己没算过等设备装好了才发现 0.1 毫米的缺陷检不出来那时候改硬件的成本就是重做一套。提示像素精度不要卡着临界值设计留 20% 到 30% 的余量。所谓3 个像素是保守经验如果缺陷对比度低、光源稳定性一般可能要 5 个像素才稳。1.4 还没聊算法硬件天花板就已经定了把上面三件事串起来看光源决定了信噪比的上限相机和镜头决定了空间分辨率的上限行频和带宽决定了速度上限。算法只能在这个天花板下面工作它没法凭空造出信息。所以我的判断顺序一直是先看成像再看算法。一个成像方案扎实、算法水平中等的团队往往比成像方案糊弄、算法团队豪华的组合更能落地。这个结论在金属表面这个细分领域尤其成立。2. 五类供应商的活法不一样适配的场景也完全不同市面上做金属表面检测的公司粗分下来有五种典型的活法。它们的能力结构、报价逻辑、风险点都不一样不存在谁绝对更好只有谁更适合你现在的处境。2.1 传统机器视觉出身的老牌厂商这类公司做了十几年工业视觉最早是给 3C、半导体、印刷行业做定位、测量、读码后来把业务延伸到表面缺陷检测。他们的强项在工程化能力和硬件整合相机、镜头、光源、控制器一条龙机械结构做得规整现场的电气和通信协议很熟跟 PLC、MES 对接基本不会出问题。短板在算法迭代速度。他们的传统算法库模板匹配、Blob 分析、边缘检测对付规则缺陷很稳但遇到形态变化大的缺陷比如同一类划伤在不同批次上表现完全不同就需要引入深度学习而深度学习的模型迭代、标注流程、数据管理很多老牌厂商是这两年才补上的课。适合谁缺陷类型相对固定、形态稳定、精度要求以尺寸测量为主的场景比如管材外径、板边形状、孔位检测。报价通常是硬件加软件授权一次性买断居多。2.2 以深度学习算法为核心的新锐公司这类公司往往成立时间不长创始团队来自算法背景核心竞争力是模型能力和标注工具链。他们通常不做硬件从第三方采购相机光源方案里的软件占比很高。优势是新缺陷的响应速度快你现场发现一类没见过的缺陷他们标注、训练、验证一周到两周能出一个新模型版本。这对产品种类多、换型频繁的厂子价值很大。风险也很明确一是硬件整合能力弱遇到需要定制光源、特殊镜头选型的场合容易卡住二是公司稳定性这个行业里三五年就消失的算法公司不少你的产线要跑十年软件授权和模型维护的连续性是个现实问题三是有些团队会把项目做成数据外包交付之后模型迭代每次单收费长期成本很难控。适合谁缺陷形态复杂多变、需要频繁迭代模型的场景比如精密五金件、铸造件、异形件的表面检测。2.3 系统集成商与产线设备商这类玩家常常是从自动化产线、非标设备、机器人集成起家后来把视觉检测作为一个模块打包进整线方案里。他们的优势是懂产线和节拍知道检测工位应该放在哪、怎么跟上下游设备联动、怎么处理不合格品的剔除和分流。短板是视觉本身的技术深度。很多集成商自己没有算法团队用的是第三方的视觉软件或者开源框架遇到难检的缺陷就推给上游。选这类供应商一定要问清楚算法是自研还是外购外购的话是哪一家的技术、后续升级谁负责。适合谁整线改造项目、需要检测加自动分选加数据上传的一体化交付场景。2.4 上游部件商自带的方案团队相机厂商、光源厂商、3D 传感器厂商这几年都在往方案端延伸提供硬件加参考算法的组合。特点是有原厂技术支持、硬件稳定性有保障、价格相对透明。需要注意的是他们的算法通常是通用型的针对金属表面的专用优化有限。如果你的工况特殊可能需要自己或者找第三方做二次开发。另外原厂方案的灵活性相对低光源、相机的选型会优先绑定自家产品。适合谁有内部技术团队、想自己掌控方案的技术型工厂可以拿原厂硬件加自研或第三方算法。2.5 自建团队加开源框架路线不是所有厂子都外采。我见过一些规模较大的制造企业组一个三到五人的小团队用开源的深度学习框架加商业标注工具自己搞定一两条线的表面检测。这条路成本最低可控性最高但对团队要求不低既要有懂成像的人也要有懂模型训练和部署的人还要有一个能把模型接到产线 PLC 上的工程师。失败的案例也不是没有最常见的死法是团队只搭了算法没解决现场的光照稳定性和标定漂移模型在办公室跑得好好的上线就抖。所以走这条路的前提是你先确认自己有人能扛住成像这一块。供应商类型核心优势主要风险典型报价模式传统机器视觉厂商工程化、硬件整合、系统对接算法迭代慢新缺陷响应周期长硬件加软件买断算法新锐公司模型能力强迭代快硬件整合弱公司稳定性存疑软件授权加年度服务费系统集成商懂产线节拍整线交付视觉技术依赖第三方项目总包上游部件商硬件稳定原厂支持算法通用绑定自家硬件硬件加参考算法包自建团队成本低完全可控对团队综合能力要求高人力加工具授权2.6 一个反直觉的选型结论规模大不等于适合你。我见过太多项目工厂花大价钱请了头部厂商结果对方的大客户优先级排在前面你的现场问题一周才能响应一次反而是某个二十人规模的小团队因为你的项目占了他们全年营收的十分之一工程师常驻现场两个月把所有边角问题都磨平了。**判断标准不是公司多大而是你的项目在对方盘子里的权重。**签约前直接问一句我这个项目今年在你们内部排第几现场能保证几个人常驻这个问题能过滤掉一半不合适的候选。3. 在给供应商打电话之前你必须先定死这几件事选型失败的项目里有一大半问题出在需求没定清楚。供应商给你的方案之所以看起来都差不多是因为你自己没给出有区分度的输入。下面这几件事建议在接触供应商之前就内部对齐。3.1 把表面不良翻译成可标注的缺陷类别一线说的表面不好在算法眼里必须拆成明确的类别。做法是收集最近三个月的实际不良样品让质检班组和工艺工程师一起分类形成一份缺陷谱。分类粒度要控制好。太粗比如只分划伤和其他模型学不到差异太细比如把不同方向的划伤分成八类标注成本会爆炸而且实际业务上也不需要区分。我的经验是控制在6 到 12 类比较合适每一类要有明确的文字定义和至少 30 到 50 张典型样本。定义里要写清楚界限比如长度超过 2 毫米、宽度大于 0.05 毫米的连续性线状缺陷算划伤断续的点状不算。这些定义后面会直接变成验收标准的依据。3.2 节拍、幅面、安装空间三个数字定死硬件前面已经算过分辨率和行频这里补充另外两个容易被忽略的约束。安装空间决定了工作距离和景深。有些产线的检测工位上下只有 300 毫米的净空这种条件下镜头选择会非常受限长焦大景深的方案用不了只能用短焦加高分辨率相机代价是畸变控制和景深变浅。这个约束一定要在选型早期就告诉供应商别等方案定完才说装不下。环境条件同样关键。铸锻车间有粉尘和油雾光学窗口必须加吹扫轧线有振动相机支架要做刚性设计并避开共振频段南方梅雨季湿度高电器柜要配除湿。这些细节不影响算法但直接影响设备能不能持续跑。3.3 检出率和过杀率必须成对出现这是我在所有项目里最强调的一条。只谈检出率的方案基本可以直接排除。漏检率没检出来的缺陷占比和过杀率把良品判成不良的比例是一对矛盾指标通过调阈值可以让其中一个变得很好看代价是另一个恶化。如果只考核漏检供应商会把阈值调到极保守产线上良品被大量误判质检员天天手工复判最后忍无可忍把系统关掉。合理的写法是同时给出两个数字和对应的测试条件。比如在双方确认的盲测样本集不少于 200 米带钢或 500 个零件上A 类严重缺陷漏检率不高于 0.5%总体过杀率不高于 2%。数字可以谈但必须成对写进合同。3.4 系统输出到底是什么形态这个问题看着简单实际影响很大。检测结果是要在屏幕上显示实时图像给质检员看还是要输出一个 OK/NG 信号给 PLC 驱动剔除机构还是要把每一条缺陷记录写进 MES 数据库做质量追溯三种需求对应的软件架构差别很大。只做报警提示的系统几万块的软件就能搞定要做逐卷质量追溯、缺陷分布图、跟批次号绑定的那是另一个量级的开发量。需求维度需要明确的内容为什么重要缺陷谱6-12 类每类有定义和样本决定模型训练目标和验收依据精度要求最小检出尺寸、像素精度余量决定相机、镜头、光源的硬件档位安装条件净空、工作距离、振动、粉尘、温度决定机械方案和防护设计指标口径漏检率与过杀率成对测试集规模决定验收是否可执行输出形态实时显示、PLC 信号、MES 数据决定软件工作量和对接难度节拍要求线速度、单件节拍、允许的处理延迟决定算力和通信架构内部把这张表填完你再去见供应商沟通效率会完全不一样。对方也会立刻知道你是懂行的方案的报价水分会少很多。4. 评估供应商时我固定看这六个维度有了需求基线下一步是给候选供应商打分。我一般会列六个维度每个维度给不同权重最后加权出总分。这套方法不是为了得出一个绝对正确的答案而是为了把感觉这家不错变成这家在哪个维度上确实强。4.1 成像方案是不是针对你的材质专门调过这是最容易被糊弄、也最能拉开差距的一项。判断方法很直接让对方提供同材质、同批次的原始图像不是处理后的效果图是相机直出的原图。看几个点缺陷区域和背景的灰度对比度和局部信噪比。如果原图上缺陷本身就看不清后面的处理都是修饰。同时要问光源的具体型号、角度、工作距离以及能不能把这些写进方案书。愿意把成像参数写进合同的供应商通常是真在现场试过的。4.2 现场新增一类缺陷你要付出多少代价这个问题问出去不同供应商的回答差异极大。有的说软件支持在线标注你们质检员自己标就行有的说需要采集样本寄回总部两到三周出新模型有的说每个新类别单独报价。从长期运营角度看我更倾向于支持现场自主标注和增量训练的方案哪怕初期贵一点。因为产线缺陷谱的变化是持续的每一次都依赖供应商响应周期和费用都会变成一个长期的消耗。4.3 他们给你的 99% 是怎么算出来的几乎所有供应商都会说自己的准确率在 99% 以上。你需要追问的是统计口径。常见的水分有三种一是把明显缺陷和轻微缺陷混在一起统计轻微缺陷本来就不影响出货算进去对数字有拉高作用二是测试集样本量很小几十张图上的 99% 没有统计意义三是用准确率这个笼统指标替代漏检率和过杀率掩盖了指标间的矛盾。正确的问法是你们的漏检率和过杀率分别是多少在多大的样本集上测的样本集是怎么划分的能清楚回答这三个问题的供应商基本是认真做过的。4.4 部署和运维对产线停机的影响设备进厂意味着产线要停一段时间的窗口做安装调试。这段时间的长度和对生产的影响往往被低估。要问清楚现场安装需要几天、调试需要几天、是否需要停产、有没有在线标定工具、相机和光源的日常维护周期是多久。有的方案光源模组需要每三个月拆下来清洁一次如果拆卸要停机两小时一年就是八小时的产量损失这个成本要算进去。4.5 与 MES、QMS 的对接能力制造业的数据打通是个老大难。检测系统如果不跟 MES 联动产生的数据就是孤岛只服务于现场报警做不了质量分析和追溯。评估时可以直接问你们做过哪些 MES 对接的项目用的是 OPC UA 还是数据库直连接口文档什么时候能给我们如果你内 IT 部门有明确的数据规范提前给对方看他们的响应态度和速度。4.6 商务结构决定长期成本报价单要看的是三年总拥有成本不是首年采购价。硬件买断加软件年费的模式年费通常是软件部分报价的 15% 到 25%按点位授权的模式扩产时每个新增检测点都要再付一笔项目总包的模式要特别注意变更条款产线调整导致的需求变更怎么计价必须写清楚。评估维度权重建议关键提问优质回答的特征成像定制化25%能否提供同材质原图参数是否写入方案有实测数据愿意写进合同迭代能力20%新增缺陷类别的周期和费用支持现场标注周期以天计指标口径20%漏检率和过杀率及其测试条件主动给出成对数据和样本规模部署运维15%停产窗口、维护周期、备件策略有明确时间表和备件清单数据对接10%MES 对接方式和接口文档有成熟案例接口规范清晰商务结构10%三年总成本、变更计价方式报价透明变更条款清晰4.7 一个实用的过滤动作在正式 POC 之前我会做一次半小时技术对话只聊成像方案和 3D 必要性不谈价格。如果对方在这个环节里能直接问出你的材质、线速度、净空、缺陷谱这些具体问题说明他们有真实项目经验如果一上来就开始讲他们的算法多先进、算力多强基本可以判断他们的强项不在现场。这个动作花不了多少时间但能筛掉相当一部分只在展会上做过演示的公司。5. POC 怎么做才不算白做一套可以照抄的测试流程POC概念验证是选型里最关键的环节也是最容易走过场的环节。我见过太多项目POC 阶段供应商拿几张精修过的图片演示一遍大家点头通过签合同进厂然后发现问题。问题不在技术在 POC 的组织方式。5.1 样本集要包含三类比例要合理一个有效的测试集至少要有三类样本。正样本良品的数量要足够多因为过杀率就是在这个集合上测出来的。带钢这类连续材料建议不少于 200 米离散零件不少于 1000 件。正样本要覆盖不同批次、不同班次、不同时段的正常波动不能全是同一天采的。负样本已知缺陷每一类不少于 50 到 100 例并且要包含轻微缺陷和明显缺陷两个档次。轻微缺陷是模型的难点也是实际业务里最容易产生分歧的地方。边界样本是最容易被忽略的一类也就是人眼看了会犹豫、两三个质检员可能给出不同判断的样本。这类样本建议 200 例以上专门用来观察系统的判定是否跟多数人的判断一致。边界样本的表现直接反映系统的实际可用性。5.2 盲测的组织方式是关键让供应商拿你的测试集去训练模型然后自己报告准确率这是最没意义的做法。正确的方式是盲测样本集由你来保管供应商只拿到运行环境模型和数据分离。具体操作是你把测试集部署到供应商提供的系统上运行记录下每一张图的判定结果然后由你自己的质检班组对同一批样本做人工判定两份结果做比对算出漏检率和过杀率。整个过程供应商不参与判定只负责把系统跑起来。如果条件允许做双盲更好三名质检员独立标注不一致的样本由工艺工程师仲裁用仲裁后的结果作为基准。这样能避免单人标准偏差带来的误差。5.3 静态测试之后一定要做连续运行测试静态图片测试只能证明能不能检不能证明稳不稳。很多系统在静态集上表现优异一到连续产线上就开始抖动原因是多方面的光照随时间漂移、物料表面状态波动、温度变化导致相机暗电流变化。所以静态测试通过之后必须安排连续 48 到 72 小时的带料运行测试中间不要人为干预。记录三个数据每小时的漏检次数、每小时过杀次数、系统重启或报警的次数。这三个数据比任何宣传材料都有说服力。连续运行测试还有一个附加价值能看出系统的稳定性设计。好的系统在光源衰减、通信丢包、磁盘写满这些异常情况下会有明确的降级处理和日志记录而不是默默死掉。5.4 常见的 POC 作弊手法和识别方法这个环节说实话行业里确实存在一些不太规范的操作了解它们能帮你避免被误导。最常见的几种数据泄漏也就是供应商想办法拿到了你的测试集用测试集参与训练。识别方法是准备一份完全没给过对方的隐藏集在最后阶段突然拿出来测看两次结果差异。按帧统计掩盖漏检。线扫系统每秒产生几万行图像如果把统计单位从每卷换成每帧一个真实漏检会被大量合格帧稀释掉。要求对方按每卷或每件为单位统计。只报检出率不报过杀率。这种情况下检出率再高也没有意义。坚持要成对数据。特定时段测试。选一段物料状态最好的时间做测试数据自然好看。解决办法是测试时段随机指定覆盖不同班次。把明显缺陷和轻微缺陷混统。要求按缺陷档次分别给出数据。用静态图片演示代替连续产线测试。这是最粗暴的一种坚持要带料连续测试。注意POC 阶段的样本集要自己保管包含人工判定结果的基准文件不要提前给供应商。这是最基本的操作纪律。5.5 POC 结束后的决策方式测试做完把结果填进前面那张打分卡加权算总分。如果两家分数接近我一般会再看两件事一是小缺陷样本上的表现谁更好因为这直接决定上线后的争议量二是对方工程师在 POC 期间的态度遇到问题是不是愿意当场解决、有没有主动指出你的需求里不合理的地方。后面这条听着主观但在长期合作里往往比分数更重要。6. 设备进厂之后才会暴露的坑签完合同、设备装好真正的考验才开始。下面这几个问题几乎每个项目都会遇到至少一两个提前知道能省很多事。6.1 标注是最大的隐形成本而且会一直存在几乎所有工厂在立项时都会低估标注的工作量。一套 8 类缺陷的系统初期训练集至少需要几千张标注图按每张图 30 秒到 2 分钟的人工标注时间算就是几百个工时。这笔人力通常在项目预算里没有列。更关键的是标注不是一次性的。每次新增缺陷类别、每次模型迭代都要重新标注验证集。规模大一点的厂子一年下来在这上面投入的人力折算成钱可能接近软件年费。应对办法立项时就把标注人力明确出来指定专门的质检人员兼职或者招一名数据标注员同时要求供应商提供好用的标注工具支持预标注模型先给出粗糙框人工修正能省掉一半以上时间。6.2 换了批次或者换了模具模型为什么突然就不行了这是最典型的上线三个月后效果下降问题。完整的排查链路是这样的按顺序走别跳步。**第一步先怀疑成像。**调出三个月前和现在的原始图像做对比重点看三件事图像整体亮度有没有变化光源衰减或者光源驱动电路老化、缺陷区域的对比度有没有下降镜头沾灰或者防护玻璃被油雾污染、图像边缘是否变模糊相机对焦松动或者支架振动导致位移。这一步能解决我遇到的约四成问题。**第二步再看物料。**同一类缺陷在不同来料批次上的表现可能差异很大。换轧辊之后板面粗糙度变了换供应商之后镀层厚度变了来料的涂油量增加了这些都会改变表面光学特性。验证方法很简单拿三个月前的老样品放进现在的系统测一遍如果老样品也检不出来了那是系统问题如果老样品正常那是物料问题。**第三步检查参数和模型。**问清楚现场有没有人手动改过阈值夜班为了让报警少一点偷偷调过这种事发生过不止一次、模型有没有被自动再训练流程污染用现场低质量数据训练导致模型退化。**第四步最后才看流程。**判定标准是不是变了、复判人员是不是换了一批、标签定义有没有被修改。这类问题往往跟技术无关但确实会导致检出率下降的错觉。现象可能原因验证方法整体图像变暗光源衰减、驱动老化对比历史原图用照度计测局部对比度下降镜头或防护玻璃污染目视检查清洁后复测图像边缘模糊对焦松动、支架位移用标定板复测检查固定件老样品也检不出系统或参数被改动检查阈值日志和模型版本仅新批次检出率低来料表面状态变化新旧样品交叉测试报警量突然增大阈值被人调低、复判标准变化查操作日志访谈班组6.3 光源衰减和镜头污染最容易被误判成模型退化单独把这条拎出来说是因为它太常见了。光源的 LED 有光衰曲线标称 5 万小时寿命是亮度衰减到 70% 的时间但实际在高温环境里衰减会快得多可能一年半就降到 80%。亮度降了 20%缺陷对比度可能降 40%模型输入分布已经变了效果自然下降。镜头和防护玻璃的问题更隐蔽。轧线现场的油雾会在防护玻璃上形成一层极薄的膜肉眼几乎看不出来但透过率可能已经掉了 15%。所以日常维护里清洁光学窗口的频率要按周计不是按月计并且每次清洁后要做一次标定复核。6.4 过杀太多一线会把系统关掉这是最现实的失败模式。系统的漏检率再低如果过杀率居高不下质检员每天要手工复判几百条误报几周之后就会有人拿胶带把镜头贴上。所以在项目推进中除了技术指标还要考虑人机协同的设计。合理的做法是分级报警高置信度的缺陷直接驱动剔除低置信度的在屏幕上标记提示由人工快速确认。这样既保证了严重缺陷不流出也不会让一线被误报淹没。同时要安排培训让班组理解系统的判定逻辑和边界知道哪些情况是系统能力范围内的、哪些是需要人来兜底的。忽略这一步的项目技术指标再好也活不长。7. 钱花在哪里一套系统的成本结构和回收测算预算这件事很多工厂在初期只算了硬件结果项目做到一半发现钱不够。把成本拆开看会更清楚。7.1 硬件部分以一条幅宽 1250 毫米的带钢产线、需要检 0.1 毫米缺陷的场景为例硬件大致包括三台 16K 线扫描相机单台价格区间较大取决于接口和速度、配套镜头、定制光源和控制器、3D 轮廓传感器如果需要、高性能工控机或 GPU 服务器、采集卡、机械支架和防护结构、线缆和电器柜。这一块通常是项目里占比最大的部分具体金额跟品牌和配置强相关询价时建议让供应商分项报价别接受一个笼统的总价。7.2 软件和算法软件部分的计价模式主要有三种一次性买断加首年免费维护、按年订阅、按检测点位或产线数量授权。买断模式初期投入高但长期可控订阅模式初期压力小但存在长期成本累积和涨价风险按点位授权在扩产时比较灵活但每个新增点的单价通常不低。选择哪种取决于你对未来的规划。如果三年内计划扩建两到三条线按点位授权可能更划算如果只有这一条线买断更稳。7.3 容易被漏掉的隐性成本标注人力前面说过一年下来是笔不小的开支。产线改造窗口的产量损失。停产三天调试按日产值算很多项目里这笔钱比软件还贵。试错期的额外物料消耗。调试过程中要跑废一些料这部分成本在立项时通常没算。内部人力投入。项目推进需要工艺、电气、IT、质检多个部门配合折算成工时是一笔实实在在的支出。年度维护和备件。光源、相机属于有寿命的部件三年内大概率要更换一部分。7.4 一个粗略的回收测算举个具体例子方便你套自己的数据。某产线年产量 20 万吨平均售价 4500 元每吨年产值约 9 亿元。因为表面缺陷导致的客诉退货率是 0.3%也就是 600 吨折算损失约 270 万元。上线检测系统后假设能把客诉退货率降到 0.15%年挽回约 135 万元。系统总投入按 180 万元估算含硬件、软件和三年服务静态回收期约 1.33 年也就是 16 个月左右。这个测算比较保守还没算上质量数据积累带来的工艺改进收益。这里有个经验要提醒**不要把减少质检人力作为主要的收益来源。**现实里检测系统上线之后质检人员通常不会立刻裁撤而是转去做复判、标注和设备维护。真正能算清楚的收益是客诉下降、报废减少、以及质量追溯带来的客户信任度提升。用人头算 ROI 的项目汇报时容易被财务问倒。8. 合同里必须写死的几件事技术方案谈得再好落到纸面上才算数。下面这几条是我认为必须写进合同的内容少一条都可能在后期扯皮。**验收标准要可测量。**不能写检测效果满足使用要求这种话要写成在双方封存的盲测样本集上A 类缺陷漏检率不高于 0.5%整体过杀率不高于 2%连续运行 72 小时无系统崩溃。测试集要双方签字封存作为验收的唯一依据。**整改条款要写清楚。**未达标时的整改次数上限、每次整改的周期、整改后仍不达标如何处理这些都要有明确约定。见过一些项目首次验收不通过之后双方陷入漫长的整改拉锯产线一直挂着半成品状态。**数据和模型的归属要明确。**产线采集的图像数据归谁、训练出来的模型归谁、供应商能否把模型复用给同行这几条必须写清楚。图像数据往往包含你的工艺信息归属不清会留隐患。**备件和响应时间要具体。**光源、相机这类易损件的备件清单和交付周期远程响应时间和到场时间都写具体数字。工控行业里尽快响应这种表述等于没有约定。**升级和迭代的费用机制要提前谈。**新增缺陷类别的处理费用、模型重构的计价方式、跨版本升级是否收费这些在合同阶段谈比在事后谈容易得多供应商的报价也会更克制。最后分享一个我在实际操作里觉得挺有用的小技巧让供应商把他们现场演示时用的光源型号、相机型号、镜头参数、工作距离和光源角度全部写进方案书的技术附件里。这一条看着不起眼但它能筛掉相当一部分办公室演示型供应商因为真正在现场调过光的团队这些参数是现成的而只会套模板的公司会在这个要求面前卡住。我在两个项目里用过这招效果都不错。