质检产线换AI后：良品率追平老师傅的三个月数据

三个月前，东莞一家MLCC（多层陶瓷电容）代工厂的质检线还坐着20个目检员。现在，一条AI视觉检测线两班倒运行，良品率从92%追平到98.5%，和厂里最资深的老师傅打平。

这个案例来自格创东智在华南落地的一个3C电子项目——不是样板间，而是真正跑了三个月的产线。根据21世纪经济报道2023年的调研，面板行业80%的质检人员可以被AI取代，而3C电子的人工检测人员全国近300万人，单是替代人工的潜在市场就超过千亿。但替代不是拔电源换机器那么简单，每一步都有账可算。

标定期：前两周的“无效数据”最烧钱

上线第一周，项目组主要干一件事：给旧产线的缺陷品拍照。这家厂原来有6类常见缺陷（崩边、裂纹、电极缺损、印刷偏移、气泡、划痕），但历史样本只有纸质记录，照片分辨率参差，光照角度也不统一。供应商重新采集了8000张缺陷图像，加上4000张良品图像，用百度智能云工业视觉智能平台做标注。

这一阶段的人力开销不小：两个质检员脱产配合打标签，每天产出约300张有效标注图。头两周模型几乎不收敛——缺陷样本中崩边和裂纹占了70%，气泡和划痕样本太少，模型对这个长尾缺陷基本“看不见”。供应商又补采了2000张长尾缺陷图，同时用图像增强生成合成样本，才算凑够训练集。

标定阶段的直接成本：人工配合+数据采集+标注，大约花了4.8万元。这点钱在大厂看起来不多，但对中小工厂来说，已经是QA部门半个月的工资。

调试期：良品率拉锯战

第三周开始部署在线检测。硬件是老产线上的一套二手光学模组（工业相机+环形光源），搭配一台工控机和一块RTX 4060显卡。推理模型用的是百度智能云轻量化版本，单张图片推理时间控制在150ms以内，满足产线节拍。

上线第一天的数据很难看：良品率82%，误检率超过15%。模型把所有电极反光、标记油墨都判成缺陷，甚至把正常的电极纹路误判为裂纹。项目组花了三天调“工艺容忍度”——针对电极反光，调整ROI区域和阈值参数；对印刷偏移类缺陷，将容忍范围从±0.1mm放宽到±0.15mm，因为电容本身允许这个公差。

第四周，良品率爬到90%，但漏检率还有4.2%。这个阶段人机协作的方式是：AI先筛一遍，挑出“疑似不良”的品（约占总数的25%），再由人工复判。相当于AI把人工需要看的范围从100%缩到了25%，复判员从20人减到5人。

良品率追平曲线：三个月的数据

三条关键曲线变化：

• 良品率：从第4周的90%爬升到第8周的96%主要靠模型迭代——加入了在线难例挖掘模块，把一天的误判图自动回传并增量学习。第10周后曲线趋于平缓，极限98.5%是当前模型能力和产线工艺水平的平衡点。
• 误判率：最让人头疼的不是漏检（miss），而是过杀（false alarm）。早期过杀率高达12%，经过参数调整和样本平衡，第12周降至0.6%过杀+0.2%漏检。过杀意味着合格品被报废，对成本敏感的中小工厂来说，这是直接的利润损失。
• 维护成本：硬件折旧（相机、光源、工控机）固定，变动部分来自模型迭代和人效。第12周的维护成本已经比传统目检线低约55%（传统线20个目检员每月人工成本约16万），但要实现这个水平，那三个月里一共花了8.7万元用于算法调优和现场支持。据项目方估算，如果产线不换产品型号、不改工艺，后续每月维护成本可控制在5000元以内。

员工接受度：从观望到“这机器比我眼快”

厂里一共20个目检员，14个转岗到了其他质检工序（如抽检、复判），2个被培训成了AI运维员，负责日常打标签和模型更新，4个离职。接受度并不像宣传中那么顺畅——头两周老师傅们普遍抵触，认为机器“瞎判”，但到了第6周，有两个返岗的质检员主动说“AI比我眼快，我看三天的品才顶它半天”。

转岗的质检员工资不变，但工作内容从“盯屏幕”变成了“操作机器+抽检”。最小的摩擦发生在对缺陷标准的话语权上：原来老师傅凭经验判断某个崩边能否接受，现在模型按照统一阈值卡死，部分可修品被直接判废。厂方在第四周加入了人工干预模式，允许质检员对“可疑良品”做二次判定，这才缓解了矛盾。

隐性成本：比预期低，但依然存在

虽然直接效益显著（三个月收回硬件投资），但有几个隐性成本容易被忽略：

• 数据清洗与标注：产线质检数据通常带有光照不均、振动模糊等问题，需要专门的预处理管道。项目组用了杉岩数据的检测数据管理系统做数据分级，但前期清洗花费了一个程序员两周时间。
• 模型持续迭代：产品批次不同，缺陷分布会漂移。上线以来已经迭代了4次模型，每次都需要现场采集至少500张新缺陷图。
• 算力费用：虽然推理只在单卡上进行，但模型训练需要云资源。三个月里云端训练共消耗约3000元的GPU时（按国内主流云厂商定价）。 与《企业部署AI Agent后的第一张账单：Token之外的五大隐性成本》一文中提到的数据清洗、流程重编等隐性成本相比，AI质检的隐性成本集中于数据侧，但整体占比不到总投入的15%，属于可控范围。

政策推动与行业瓶颈

2026年1月八部门《AI+制造专项行动》发布半年后，中小工厂AI质检采纳率已从14%升至26%（据此前回访数据），但60%的企业仍认为集成成本过高。接口不统一、数据难清洗、定制开销大，正在拖慢政策红利的转化速度，正如《AI+制造政策落地半年：中小工厂的采纳率与真实瓶颈》中所分析。

该厂的项目能快速跑通，很大程度上依赖三点：产品高度标准化（MLCC规格少、缺陷类型集中）、老板愿意为长线投入（项目预算120万）、供应商提供驻场服务。换成多品类、小批量的电子组装厂，同样的方案可能回报周期要拉长一倍。

回到账本：ROI测算

项目总投入：硬件（相机、光源、工控机）6.2万，软件与算法服务15万，标定与调试4.8万，三个月运维8.7万，合计约34.7万元。节省成本：质检员从20人减至5人（转岗14人在其他岗位仍创造价值，但质检部门月薪支出从16万降至4万），每月节省12万。扣除运维成本，大约3.7个月收回投入。如果算上良品率提升（从92%到98.5%，减少的报废损失每月约2.3万元），回收期还可进一步缩短到3个月以内。

但这是理想情况。如果产线换型号，模型需要重新标定；如果缺陷类型出现变化，需要补充样本。这些都会拉伸成本回收周期。《人形机器人进厂后，质检和维护账怎么算》一文中提到，一条质检线跑半年后维修成本翻倍，所以长期运维的摊销不应忽视。

尾声

这家厂的案例说明，AI质检在标准化程度高的电子元件产线上已经能够快速实现ROI为正，但“替代”从来不是一键完成。前两个月的拉锯战、员工转岗培训、缺陷标准重新定义，这些软成本往往比硬件更考验工厂的管理水平。

21世纪经济报道此前指出，中国工业AI质检市场正处于爆发前期，IDC预测2026年整体规模将达13.35亿美元。但对中小工厂来说，更现实的选择不是一步到位的全自动无人线，而是先用AI把人工复判量压缩到30%以内，再逐步迭代。毕竟，产线换AI后的第一个月，良品率可能不升反降——任何忽视工程落地细节的案例，都容易变成PPT上漂亮的数据。