面向 30-300 人的机械加工厂、汽配厂、五金厂。这是单点 ROI 最大、但失败率也最高的 AI 场景之一。本文给出可判断的准入门槛、6 步实施路径与 ROI 测算公式。
在做任何技术方案之前先做这个判断。场景做错，方案做得再漂亮也没有意义。
视觉质检最怕换型频繁。换一次型就要重新采数据、重做标定。
「有没有划痕」能说清，「手感不对」说不清的不要交给模型。
你要转岗一批人，不是裁掉一批人。少于 3 人省不下人力成本。
返工成本 + 客诉赔付 + 质量追溯成本，三项要撑得起投入。
产量太低，训练样本不够，检测出来也没人受得起。
最反直觉的一点——见效慢，但一旦跑通就是长期收益。
每一步都有明确产出与验收标准。跳步是本场景失败的首要原因。
把「什么算缺陷」写成一份文字化的判定标准手册，人工质检员按它判、AI 按它学。同时记录当前漏检率、误检率、单位人工成本作为基线——没有基线就无法证明有效。
验收标准：标准手册通过质检班组评审；基线数据有连续 2 周实测记录。
采集缺陷图片并标注。不同缺陷类型要分别平衡数量，不能只采数量多的那类——否则模型对少数类缺陷基本无效。这是最常见的翻车点。
验收标准：每类缺陷样本量足够，且有独立的「日常标准样件」用于每日验证。
用历史数据离线跑模型，测漏检率与误检率。这一步不达标就不往下走。很多项目在这里硬着头皮推进，上线才发现模型根本不准。
验收标准：漏检率不高于现有人工水平，误检率在质检员可接受的复核范围内。
AI 与人工并行工作但不替换人工，AI 输出仅供质检员参考。这一步决定项目成败——它让你在不改变任何质量责任归属的前提下，验证模型在真实光照与工件摆放下的稳定性。
验收标准：连续 4 周旁路运行，AI 与人工判定一致率达标，且质检员已习惯看 AI 输出。
AI 判合格的直接放行，判可疑的转人工。质检员从「逐件全检」变为「只看可疑件」——人力节省从这个时刻开始真正兑现。
验收标准：AI 预筛覆盖率与准确率稳定，人工复核工作量下降可量化。
对照 11 项指标做实测验收，确认达到目标再谈扩容。同时明确谁负责日常维护、谁负责换型后重新标定——这件事不落实到人，系统会在三个月内失效。
验收标准：11 项指标有实测数据，责任人到位，交接文档完成。
把下面三行代入你自己的厂，答案立刻出来。
| 成本项 | 说明 |
|---|---|
| 设备与安装 | 相机、光源、工控机、安装调试 |
| 模型与软件 | 首次部署 + 年度续费 |
| 数据标注 | 最容易被低估的一项，通常占初期投入的三成 |
| 内部人力 | 标准编写、标注、换型重新标定的时间成本 |
| 月度运维 | 按月摊销，用于计算净节省 |
每次换型号重新标定，需要 1-3 人 × 半天到一天。如果你的厂一个月换型 4 次以上，这项成本可能吃掉全部人力节省——这也是第 1.1 节把「单一产品占比 ≥ 60%」列为硬门槛的原因。
这五条来自实际落地复盘，按造成损失的金额排序。
最贵的坑。模型在实验室准确、上线就漏，是因为现场光照、工件摆放、相机位置都变了。旁路运行 4 周能省掉后面几十万返工。
按数量比例采数据，模型对多发缺陷很准、对少数类几乎失效。而客户投诉往往来自数量少但后果严重的缺陷——这就是「AI 上线后客诉反而涨了」的常见原因。
设备装好后车间为腾地方挪了相机位置，精度悄悄下降却没人发现。必须把「每日标准样件验证」变成班组长签字的日常动作。
很多厂上线后只能说「感觉好多了」。没有上线前的漏检率、误检率、返工工时数据，就无法量化ROI，这个项目在后续预算里就再也立不住。
质检员离职、换型没人重新标定、模板更新了但标准手册没改。AI 质检系统是会自然失效的，必须有明确的责任人和维护节奏。
如果视觉质检的判断结果是「暂不做」，下面几个回本更快。
本文中的收益区间为行业经验估算，依据公开报道与同类项目实践，不能替代你自己的实测。文中所有量化门槛均为建议起点，需按你的实际数据代入验证。
涉及具体数字回报的部分，我们采取分级标注：可溯源的公开数据会注明来源与日期；行业区间估算会标明「需自行验证」；没有可靠依据的一律不写数字。任何声称「行业普遍能省 XX%」的说法，请一律要求对方给出可验证的基线。
