某大型制造集团AI质检产线升级
项目背景
华南某汽车零部件制造集团是广东省汽车产业链核心供应商，年产能超过200万件零部件，拥有12条自动化产线。企业长期面临质检环节的效率瓶颈：人工目检缺陷检出率仅82%，单件检测耗时45秒，尤其在焊接气孔、微裂纹等隐蔽缺陷判断上存在较高的漏检率和误判率。每年因漏检导致的客户投诉和返工损失超过800万元。
客户核心诉求
在不改造现有产线机械结构的前提下，引入AI视觉检测系统，将缺陷检出率提升至99%以上，单件检测时间压缩至1秒以内，并与现有MES系统无缝对接实现质量数据追溯。
方案设计
针对客户产线环境复杂、缺陷类型多样（共12类）的特点，我们设计了“边缘计算+云端训练”的分布式AI质检方案：
视觉采集层
在每条产线的关键工位部署工业相机（1200万像素）和多角度环形光源，确保不同材质、不同姿态下的成像一致性。单工位覆盖6个拍摄角度，帧率60fps。
边缘推理层
每工位部署一台英伟达Jetson Orin边缘计算节点，运行轻量化YOLOv8+ResNet混合模型，推理延迟低于200ms。12类缺陷模型并行运行，单件推理时间控制在0.6秒以内。
云端训练 & MES 集成层
通过5G专网将边缘端采集的缺陷样本回传至企业私有云GPU集群进行增量训练，模型每两周迭代更新。同时开发MES数据对接中间件，实现检测结果自动写入质量追溯报告，异常品自动触发产线分流。
技术选型要点
选择边缘计算而非纯云端方案，是因为产线节拍要求毫秒级响应；同时12类缺陷模型需要在边缘端并行运行，对算力有一定要求。经过POC对比测试，Jetson Orin在功耗（15W）和推理性能之间取得了最佳平衡。
实施过程
项目分为三个阶段，总计11周完成从POC到全线部署：
第一阶段（第1-3周）：选取焊接车间的一条产线作为试点，完成相机部署、网络架设和基础模型训练，利用客户提供的6万张历史缺陷图片进行模型初始化。
第二阶段（第4-7周）：模型迭代优化，通过主动学习策略筛选边缘案例补充标注，缺陷检出率从初始的91%提升至98%以上。同步完成MES接口开发。
第三阶段（第8-11周）：全产线推广至12条产线、共计36个检测工位，完成压力测试和7×24小时稳定性验证，正式割接上线。
实施挑战
部分产线存在较强振动，导致相机成像模糊。我们通过加装减震支架+软件端去模糊算法（DeblurGAN-v2）的组合方案，将振动场景下的识别准确率从76%恢复至97%以上。
项目成效
客户评价
“AI质检系统上线后，我们不仅大幅降低了漏检率，更重要的是打通了质量数据闭环——现在每一件产品的检测结果都能追溯到对应批次的工艺参数，为后续的工艺优化提供了数据基础。”
—— 该集团质量总监
常见问题
AI模型对新缺陷类型的适应能力如何？
系统支持增量学习机制，当产线出现新的缺陷类型时，只需采集200-500张标注样本，48小时内即可完成模型更新并下发至边缘端，无需停机。
是否需要改造现有产线？
相机和光源采用夹持式安装，无需对产线机械结构进行任何改造。边缘计算节点部署在产线旁的标准机柜内，通过以太网接入。
数据安全性如何保障？
所有数据全程在企业内网流转，不涉及公网传输。5G专网采用端到端加密，模型训练在客户自有的GPU集群上完成，数据不出厂区。