> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/quality-inspection-ai-2027-first-defect-check.md).

# Quality Inspection AI 2027：在选模型之前，先选好第一个缺陷检测点

本文整理自 Duaer 文档站，讨论制造企业在 2027 年推进质检 AI 时，如何在选模型之前挑选合适的第一个检测点，包括价值与难度评估、试点范围界定和指标设定。

## 真正的痛点：团队总是先挑最难的缺陷，而质检本身是很好的起点

不少制造企业开始关注质检 AI，通常是从同一个场景出发：产线主管抱怨漏检，客户退回一批货，有人问能不能用摄像头加模型把问题拦住。这个思路本身没有问题，麻烦往往出在更前面一步，也就是团队决定先自动化哪个检测点。最让人头疼的工位，常常光照最混乱、缺陷最罕见、标注数据最少，而且对「合格」的定义争议最大。以这种工位做试点，项目往往还没证明什么就先停滞了。

到了 2027 年，视觉检测技术已经相当普及。成功项目和停滞项目的区别，主要在于场景选择：选哪个工位、哪类缺陷、哪个产品型号，以及什么算成功。本文聚焦的就是这个选择，因为它决定了后续工作能否真正开展。

质检之所以常被列为首个落地项目，是因为它有几个明显优势：任务重复、输入是可以稳定采集的图像或传感器数据，而且缺陷造成的成本在表格里看得见。这些优势是真实的，也是质检频繁出现在候选清单上的原因。

但「可视、重复、成本高」几乎描述了典型工厂里的几十个检测点，并非每一个都适合作为第一个项目。对一个稳定、大批量、合格标准清晰的零部件工位做检测，和依赖操作员主观判断外观瑕疵的终检环节，完全是两回事。把所有质检都当成同一类，是第一个常见错误。

## 选择第一个工位时的常见错误

第一个常见错误是按痛点而不是可行性来选。导致返工最多的缺陷，不一定是小团队三个月内能解决的问题。硬要追它，通常意味着要从零建数据集、协商新的相机安装位置、反复争论标注标准，而在这些准备完成之前，看不到任何有用的结果。

第二个错误是忽视定义漂移。很多质量团队有书面标准，但在现场，不同班次的检验员执行尺度并不一致。如果标注样本只反映某一位检验员的判断，模型训练后就会把这种不一致大规模复制出去。在做任何模型工作之前，团队应先确认：两位合格的人员对同一批十张图片，标注结果是否一致。

第三个错误是选了一个误报成本高于漏检成本的工位。如果系统频繁停线，几周之内就会被关掉。对于第一个试点，通常更稳妥的做法是从仍有人工复核环节、且误报容易处理的地方开始。

## 按价值和难度为候选检测点排序

一个实用的选择方法，是做一次简单的二维评分。先列出工厂或产品线目前由人工或半人工完成的所有检测点。对每个检测点，从废品或返工成本、客户影响、产能约束等两到三个维度评估预期价值；再从缺陷稀有度、光照和夹具稳定性、历史图像可得性、标注一致性、与产线控制系统的集成难度等维度评估实施难度。

把结果画在坐标系里。高价值、低难度的区域就是起步区。高价值、高难度的项目应放到后续路线图中，等积累了数据和经验再推进。低价值、低难度的项目可以用来培养内部能力，但很难值得管理层花费太多精力。

如果团队需要一个覆盖多个职能的更完整的比较框架，可以参考我们的指南 [制造业 AI 落地与场景选择指南](https://doc.duaer.com/zh/guides/manufacturing-ai-adoption-use-case-selection/)，其中更深入地讲解了同样的逻辑，也很适用于质检决策。

这项评分工作也可以借助平台来完成。在 Duaer 中，团队可以搭建评分表，为每个候选检测点附上样本图像和缺陷记录，并在同一处运行试点流程，使比较不至于停留在幻灯片里的主观看法上。你可以[注册 Duaer](https://www.duaer.com)，在自己的检测点上试用这一流程。

## 用窄而可衡量的缺陷范围选定第一个试点

确定候选清单后，应把第一个试点收窄到一个产品型号、一个工位和一类缺陷。「检测 3 号工位 A 型外壳的所有表面缺陷」是一个可行的范围，「实现视觉质检自动化」则不是。

在开始收集数据之前，就要先定义成功指标。常见指标包括：在已确认缺陷的保留样本上的检出率、每班次的误报率，以及为人工复核人员节省的时间。应以书面形式约定，哪个指标决定试点是否继续。很多团队跳过这一步，最后用一个数字好看、但对运营毫无改变的指标宣布成功。

同时要明确输出结果如何处理。如果系统标记了某个零件，由谁复核、在多长时间内完成、系统宕机时的备用方案是什么？一个在演示中表现良好、却没有操作规程的试点，撑不过第一个正式生产班次。

## 试点前后应该测什么

试点开始前，先测出基线：当前漏检率、返工量、单件检测时间，以及抽样样本上检验员之间的判断分歧。没有基线，任何改善都只是经验之谈。

试点期间，应按缺陷类别分别跟踪检测效果，而不只看总体数字。一个能抓住常见划伤、却漏掉罕见分层缺陷的模型，平均表现可能不错，但恰恰在客户最在意的情况上失败。

技术指标和运营指标都要看。技术指标告诉你模型是否「看见」了缺陷；运营指标则告诉你产线是否真正受益，例如流入下一工位的漏检减少了多少、复核人员的负担是否下降、产能是否保持稳定。很多试点通过了第一关，却在第二关失败，原因是没有人重新设计复核流程。

最后要为漂移做好准备。季节变化会影响光照，供应商更换材料批次，产品改版也会改变外观。一个每周抽检生产图像并复核标注的监控机制，比六个月后才爆发的重训练危机成本低得多。

## 本周可以做的一件事

本周可以先把一条产品线上所有人工或半人工的检测点列成清单。对每个检测点，记下三件事：它所拦截的缺陷当前造成的成本、已有多少标注或历史记录样本，以及两位检验员对同一批样本的判断是否一致。然后从中挑出一个同时满足「成本高、标注清晰、工装稳定」的检测点，作为第一个试点的候选。在范围以书面形式确定之前，只和供应商或内部团队讨论这一个候选即可。

如果希望以结构化的方式完成评分和试点搭建，可以[注册 Duaer](https://www.duaer.com)，在投入预算之前，用它整理你的检测候选、样本数据和成功指标。注册只是第一步，选择哪个工位，仍需要你和质量团队在现场做出决定。

告诉我们你的具体场景，我们会回复一份书面的落地路线：https://api.duaer.com/form/c59a907a-3697-4edf-a04d-3ea0fb72fdc8

## 常见问题

### 质检 AI 项目第一个试点应该选哪个工位？

优先选择高成本、标注数据清晰、工装和光照稳定的工位，并且保留人工复核环节。避免一开始就选最难、最混乱或定义争议最大的工位。

### 做质检 AI 试点前需要准备哪些数据和指标？

需要准备历史缺陷图像或记录、两位以上检验员对同一样本的标注一致性检查，以及试点前的基线数据，如漏检率、返工量和单件检测时间。成功指标应在收集数据前以书面形式确定，包括分缺陷类别的检出率、每班次误报率和复核人员节省的时间。

### 如何判断一个检测点是否适合做 AI 自动检测？

可以从两个维度评估：价值维度看废品或返工成本、客户影响和产能约束；难度维度看缺陷稀有度、光照和夹具稳定性、历史图像可得性、标注一致性以及与控制系统的集成难度。高价值、低难度的检测点适合作为起步项目。