AI视觉检测系统在汽车制造中的应用

搞了二十多年弱电，这两年让我感触最深的就是AI视觉在工业上的落地速度。以前做机器视觉，主要靠传统算法——边缘检测、模板匹配、阈值分割那一套，用起来头疼，稍微换个光照条件就得重新调参。现在深度学习一来，整个局面都变了。

汽车装配线上的AI眼睛

咱们就拿汽车焊装车间来说。你去过汽车厂就知道，白车身焊接完以后，焊缝质量检测是老大难。以前靠人工目检，老师傅拿着手电筒一根焊缝一根焊缝地看，一天下来眼睛都花了，漏检率不低。改用传统机器视觉吧，车身表面反光、焊渣飞溅、光照变化，随便哪个都能让检测系统报警报个不停。

去年有个项目，在某合资品牌的焊装车间部署了一套AI视觉检测系统。这套系统的核心思路其实不复杂——用深度学习做缺陷分类。

训练数据是关键

说到底，AI视觉和传统机器视觉最大的区别就在这儿。传统方法是你告诉机器"缺陷长什么样"（写规则、设阈值），AI方法是你给机器看"这是缺陷、这不是缺陷"（标注图片），让它自己学。

这个项目花了大概三个月的时间，采集和标注了50多万张图片。包括正常的焊缝、气孔、裂纹、飞溅、咬边等各种类型。数据准备阶段是最苦的活儿，我们找了十几个标注工人干了两个月。

用的模型架构是改进版的YOLOv8，在边缘计算盒子上跑。每张图推理时间大约15毫秒，一条产线每分钟能检80个工件，完全跟得上生产节拍。

实际效果

部署运行了半年后的数据：

• 缺陷检出率： 从原来的78%（传统视觉）提升到了96.3%
• 误报率： 降低了60%（原来每小时误报三四次，现在一小时不到一次）
• 漏检率： 从5%降到了0.3%
• ROI测算： 设备投入约45万，每年因减少返工和索赔节省约120万，不到5个月回本

踩过的坑

说几个实际落地中遇到的坑：

第一，数据分布不均衡。 正常焊缝占了95%以上，真正的缺陷样本少得可怜。解决方案是做数据增强——对少量的缺陷样本做旋转、缩放、亮度变化、加噪声，一个人造出几十倍的变体。

第二，现场光照问题。 实验室里跑得好好的模型，一上产线就崩。后来发现是车间顶灯和自然光叠加造成的。解决方案是在拍摄工位加了遮光罩和环形补光灯，把成像环境标准化。

第三，模型迭代。 AI不是一锤子买卖。模型上线后，每周都要收集新的误报和漏报案例，重新标注、重新训练、重新部署。我们建了一个人工复核的工作流——AI判"缺陷"的图片，质检员复核确认，确认错了的丢回训练集。这个闭环机制比模型本身更重要。

写在最后

AI视觉检测这块，我的体会是：技术门槛已经不高了（开源模型很成熟），真正的壁垒在数据积累和工程落地经验。谁能把从数据采集→标注→训练→部署→迭代的整个链条跑通，谁就能吃下这个市场。