2026年4月，华东一家转向节制造企业的AI质检Agent刚上线时，产线突然频繁报警。异形件的误报率超过18%，反光铝面的误报率高达25%——机器误停机导致生产节拍被打乱，工人不得不花大量时间去验证那些“假缺陷”。
这不是孤例。据Gartner 2026年4月发布的《Hype Cycle for Agentic AI》，全球超过80%的制造企业计划或已部署生成式AI Agent，但真正实现生产级落地的比例只有17%（掘金：《2026年企业上Agent的真实落地率只有17%》）。误报率过高让质检环节难以信任AI，是落地卡点的重要一环。国务院《关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号）要求智能体普及率2027年超过70%，制造企业不得不加速部署，但误报问题必须直面。
异形件和反光表面为何是误报重灾区
转向节属于异形件，表面曲率变化大，传统视觉模型容易将正常加工痕迹误判为裂纹。反光表面则因铝材高反光，模型常把环境光斑当作瑕疵。该工厂一开始采用通用目标检测模型（YOLOv7），在标准工件上误报率控制在3%左右，但一遇到非标准姿态或光照变化，误报率立即飙升。
项目组在三方面做了针对性改造：
- 成像端：加装偏振相机和可调角度LED光源，滤除镜面反射，凸显真实纹理。
- 边缘侧：部署华为昇腾310B边缘盒子，运行自研EfficientNet-Lite多任务网络，同时输出缺陷类别和置信度。推理时延从云端调用的120ms降至5ms，满足产线节拍。
- 后处理：引入二级投票机制，连续三帧判定为缺陷才触发告警，减少偶发误报。
三个月迭代后，异形件误报率降至4.2%，反光表面降至6.8%。项目技术总监在2026年Q2行业会议上分享了这组数据（参见《物理AI走出实验室：2026年夏天，哪些工厂场景真的用上了》）。
人工复核工作流：从对抗到协同
降误报的同时，工厂设计了一套分级处理流程：
- AI置信度>0.95的样本直接判定，约占总量75%。
- 置信度在0.75~0.95之间的样本，自动推送到质检员平板终端，要求3秒内人工确认。这部分约占20%。
- 置信度<0.75的样本保留完整图像链，转入“深度复判”队列，由资深质检员逐一分析。
每天，人工复核的结论会重新喂入模型进行增量训练。周更后误报率每周平均下降0.5个百分点。3个月后，人工复核团队从15人减至6人，整体质检成本降低40%，缺陷漏检率始终控制在0.1%以下。
这套流程与《BIGAI通用智能体进车间三个月后：老师傅的三种反对意见》里描述的人机信任问题形成了对照：当误报率降下来且工人能看到自己的反馈生效后，老师傅的反对意见明显减少。一位李姓班长说：“现在不是AI说了算，是人机一起说了算。”
边缘计算决定了误报处理的实时性与成本
在车间场景下，推理放在边缘端不仅满足延迟需求，更是误报闭环的关键。云端模型更新周期长，无法快速响应产线更换夹具或工件批次的临时变化。边缘盒子支持本地模型热更新，工艺人员可以在终端上标注新样本、一键推送，30分钟内完成模型迭代。
快速迭代离不开底层算力工具的成熟。该工厂采用华为昇腾910D边缘方案（关于CUDA迁移成本可参考《910D消息升温，先算CUDA迁移账》），实际功耗仅15W，在车间高温环境下稳定运行。同《Arm端侧AI能效，先别急着谈实测》一文中提到的协同优化类似，这里的重点也不是单一硬件参数，而是成像、算法、工装三者的配合。
真相：误报率是一个系统指标
回到开头那个转向节工厂。2026年，工业质检Agent的误报率真相是：它不只是模型精度问题，还取决于光照、夹具、工件表面处理、数据标注质量和人工反馈机制的完整程度。政策推动和现实压力下，这家工厂走出了一条落地路径，但仍有不少工厂因缺乏系统设计能力而陷入“半年试错、最终放弃”的困局。
下一步，多模态大模型（如融合三维数据和红外图像）可能进一步降低异形件误报率，但正如《Sora退场后，视频生成改打实用牌》所揭示的，技术效果需要和生产效率结合起来才能产生真实ROI。对于大部分工厂而言，先管好当前的环境变量和人工反馈闭环，比等待大模型突破更为务实。
