人工智能在制造业智能检测中的应用研究

　　杨文旭

　　（北京百度网讯科技有限公司，北京 100085）

　　摘要：质检是制造生产过程中不可或缺的环节，传统的人工检测会造成人力成本增加、生产节拍减缓等，限制行业的发展。 AI 质检可以实现了质量标准一致性和缺陷数据的复杂认知，节省人力的同时，为全局质量提升和工艺改善提供了科学可靠的方案，不仅帮助客户实现不良品的“不流出”，而且深入到生产工艺避免后续缺陷的产生，不断加速人工智能在制造业的扩展和应用落地。

　　关键词：AI 质检；大模型；机器视觉；深度学习

　　1　引言

　　随着人工智能、工业互联网等技术的蓬勃发展，工业智能正以前所未有的速度成为现实。尤其以ChatGPT、文心一言等为代表的大模型应用，正在加速推动制造业踏上智能化升级之路，为制造业的智改数转带来深刻的变革。智能化的影响已经深刻地渗透到制造业的各个层面，为工业化发展注入了崭新的活力。

　　2　人工智能在制造业领域的应用简述

　　早期人工智能在制造业的尝试主要体现在调度优化方面，旨在解决资源分配、工人管理和机器协同的挑战。在20 世纪80 年代，专家系统被引入制造业，这些系统通过模拟专业人员的知识和经验，帮助制造企业制定更有效的生产计划。90 年代，遗传算法等优化方法开始应用于生产调度，通过模拟自然选择的过程优化生产计划，以达到最大化提升生产效率和资源优化利用的目标。合理的成本控制及节能增效也是人工智能在制造业持续探索的重要方向。从2000 年开始，制造业尝试在供应链管理系统中引入人工智能技术，通过实时数据分析、预测算法和优化模型，帮助企业更好地管理供应链，降低物流成本，确保原材料的及时供应，从而实现对成本的控制。自2010 年左右，制造业开始采用智能能源管理系统，利用人工智能来监测和分析能源使用情况，自动调整设备的能源消耗，以及优化生产计划，从而降低了能源成本。

　　早期人工智能视觉算法，特别是基于模式识别的方法，为制造业产品检验和质量控制领域带来了革命性的进展，这些算法以其高度智能化的图像分析能力，能够在制造流程中检测和识别产品的缺陷、异常或不合格特征，从而确保最终产品的质量符合标准。制造业特性决定了质检工作应以高速和高精度进行，随着计算机性能的提升，机器视觉系统在90 年代迎来了显著的发展，系统利用摄像头和传感器捕捉产品图像，然后通过图像处理和深度学习算法进行分析，实现对产品质量的实时监测和检测。借助机器视觉的技术优势，人工智能质检系统能够以毫秒级的速度处理大量图像数据，实现高精度的检测和分类，确保了产品质量的一致性；2000 年，随着传感器技术的发展，人工智能开始与大量传感器数据结合，实现对制造过程的全面监控。此外，人工智能的灵活特性也决定了智能质检可以根据新的标准和要求进行快速调整，保持了质检的准确性和有效性。

　　在前三次工业革命中，欧美等国在生产技术及工业场景的深度积累，为其在传统视觉算法领域的研发奠定基础。在深度学习之前，智能检验设备均基于精密光学及传统视觉算法展开检验与分析，这均构成了国外AI 质检的先发优势。然而，随着神经网络的兴起，以及我国在制造业和人工智能领域的大量投入，在AI 质检领域，中国和海外重归同一起跑线，甚至展现出全球领先的趋势，中国不仅拥有海量AI 质检应用场景，还涌现出多家在AI 质检领域持续耕耘的人工智能服务商。因此，AI 质检的发展有助于我国制造业智能化升级，进而为我国制造业在细分赛道上“弯道超车”和“技术出海”提供重要契机。

　　3　AI 质检的发展和局限

　　3.1　AI 质检的发展及应用

　　质检是制造生产过程中不可或缺的环节，它确保了产品从原料、工艺到成品都是符合标准和规范的，是合格产品的“身份证”，是良好企业的“护城河”，是消费信任的体系基础。尽管人工智能和机器视觉等检测技术逐渐成熟，但目前80% 以上的工业表面缺陷检测仍依赖于人工目检法。且受制于人力成本、生产节拍、场地空间等因素，大量的行业仍以抽检的形式进行产品的质检工作。

　　抽样检测是通过一定规则从一批产品抽取样本进行检测以反映整体质量情况。样本抽取本身不是产品检测的必需环节，且依赖大量的人工经验，既增加检测成本又降低效率。部分产品的检测显然无法完整说明一批产品的情况，无法避免“漏网之鱼”，抽样形成的样品偏差也使得产品质量与原料、生产工艺、操作人员等失去了直接联系，质量结果还需依靠大量的统计工作，难以形成质量的追溯。企业不得不采用更昂贵的原料、更苛刻的工艺以保证产品合格，从而导致产品成本的增加和竞争力的下降，而一次“漏网之鱼”就会使企业的努力付诸东流。

　　随着我国制造水平提升和对产品质量的重视，产品的批次全检被更多的应用在包括医疗器械、食品药品、航空航天、高端电子装备、汽车安全零部件等涉及消费者安全、健康，产品可靠性要求高，产品附加值高的行业中，全批次的质量检测已经成为这些行业的标配甚至强制性标准。而传统的检验标准往往需要目检，也即在强光和工装的辅助下用目力看出严格的尺寸、光滑的表面、完整的结构、有序的布局等。但这种依靠目力的人工全检会造成人力成本增加、生产节拍牺牲等，都在限制这些行业的发展。

　　机器视觉的引入代替了人工目检实现产品检测的自动化，并且形成了如产品尺寸检测、零部件装配的有无、机加工焊接成型是否到位等经典应用。但随着机器视觉检测应用的不断深入，工程师们发现传统视觉检测方式需要依赖固定的成像环境、人工的编程能力、对检测机理的深度认识才能解决几种非常相近的产品检测，而且很难实现同类产品的标准化复制应用，特别是在涉及不确定性缺陷、混检、图文标签检测等场景上更是束手无策。 AI 质检则成为解决这些问题的一种很好的选择，它解决了质量标准一致性和对于复杂缺陷无法的问题，且有着稳定、高效的优势，同时也节省了大量人力。生产过程中核心工艺段半成品检测以及成品终检是当前需要大量人工质检的场景，通过AI 质检，最大程度避免不符合标准的半成品流向后段，造成大量生产和人力资源浪费，以及避免不合格产品流入市场，造成严重的质量问题导致客诉，给企业造成经济损失和品牌损害。

　　3.2　AI 质检的局限

　　然而AI 质检是涉及光、机、电、算、软一体化的解决方案，不同质检需求场景难度也会决定整体方案复杂度，其中光学成像的复杂度和算法模型是否能够收敛是决定AI 质检ROI 测算的关键因素，企业愿意拥抱AI 质检的前提是质检效果需要达到人工检测的标准且在一定周期内有好的投入产出效益。

　　现阶段AI 质检能够较好落地的场景大多是以节省人力成本为驱动的，这方面确实能够缓解国内产业当前面临的问题，但是由于ROI 的问题，所能直接帮助到的行业和场景还不是很多。在一些节省人力不太明显的行业， AI 质检的价值只体现在更好的统计质量问题，因此ROI 并不明显，这些行业的规模化复制相对较慢。如果AI 质检能够和工艺的优化形成闭环，质检环节所产生的数据能准确反映缺陷类别，并通过算法分析缺陷严重程度和变化趋势，从而结合生产工艺实现质量根因分析、质量预测和生产工艺优化，从源头上提高产品质量，则AI 质检的价值会指数级放大，ROI 将更加显著，应用的行业和场景会更加广泛。

　　因此AI 质检现阶段的局限性，最终都可以归结到 ROI 的测算上，不论是光学成像的通用型、模型的可收敛性、还是AI 质检与生产工艺的可结合性，其实都是从客户的投资回报比的角度来看的。这三种局限都会导致客户投入在AI 质检方面的成本过高，成本回收周期长。目前看来，在PCB 和3C 结构件的检测场景，这三种局限性产生的影响最小，客户能够获得清晰的ROI 测算，因此该行业AI 质检的应用落地较为成熟。

　　4　AI 质检未来的演进方向

　　尽管在制造业中AI 质检还有着诸多局限，然而其对未来产业的发展仍有非常明确的价值和意义。

　　一方面，AI 质检实现了质量标准一致性和缺陷数据的复杂认知，从而节省人力，在类似PCB 的质检场景已有成熟的应用落地。另一方面，AI 质检为全局质量提升和工艺改善提供了科学可靠的目标，不仅要帮助客户实现不良品的“不流出”，更要进一步深入到生产工艺避免后续缺陷的产生。这意味着未来在优化视觉模型的同时，需要从视觉模型向数据模型辐射，引入生产过程中的质量、工艺、设备等数据，构建模型，进行质量关键影响因素的挖掘分析、监控预警、闭环管控，助力制造业从“不流出”不良品进一步升级到“不制造”不良品。

　　4.1　视觉模型与数据模型相结合

　　将质量与工艺形成闭环需要结合视觉模型和数据模型共同发挥作用。首先，基于数据模型可以建立产品质量预警系统。通过对生产过程中的关键因素进行实时监测和预警，我们可以在产品质量出现问题之前及时发现并采取相应的措施进行干预和解决，避免了产品质量事故的发生。其次，基于数据模型可以对生产过程中的各种因素进行分析，通过关联性分析找出影响产品质量的根本原因，实现质量问题的反向溯源，减轻质量工程师分析问题的复杂度。最后，基于不断迭代的数据模型可以针对关键控制参数推荐数值，实现生产工艺的不断改进和优化。此外，我们还可以将工艺优化与生产控制系统进行有机结合，形成闭环，实现生产工艺的动态优化和调整，使生产过程更加稳定、高效、灵活。应用AI 技术打造的数据模型，通过对海量的生产数据进行深入分析，可以帮助制造业挖掘出更多影响产品质量的潜在影响因素，更好地理解生产过程的内在机制和规律，更好地掌控产品质量。

　　4.2　逐步向大模型演进

　　AI 技术的快速发展推动了生产效率的提高，然而当企业试图引入AI 技术的时候，往往会遇到数据的挑战。传统的机器学习方法需要大量的数据进行训练，这对于许多企业来说是难以实现的。大模型的诞生解决了这一难题。利用大模型技术，企业可以利用更加少量数据、高效地完成AI 应用的设计。大模型通过从大量的知识和数据中学习了复杂的模式和关系，在此基础上，用户只要进行少量的数据标注，即可让模型执行各种任务，通过在大量图像数据上进行预训练，这些模型能够学习到图像中的深层特征和模式。对于拥有有限数据资源的企业来说，利用这些大模型能够在一定程度上解决其数据不足的问题。此外，基于大模型的迁移学习技术，企业还可以利用自己的小数据集进行微调，从而使其模型更具针对性。

　　同时大模型结合跨模态技术，将进一步扩大AI 模型的应用范围。AI 质检大模型不仅仅可以加速AI 质检应用的落地，而且模型可以提供对缺陷影像的解读能力。通过AI 大模型对缺陷影像数据的解读，用户不仅仅可以对单一的质量缺陷数据进行深入了解，而且模型可以针对影像的特征，面向用户提出改进建议，进而推动企业进行工艺和质量改进。

　　4.3　大模型平台加速产业提升

　　平台的价值体现在资源的集约、信息的流转、知识的沉淀，这些价值尤其能帮助中腰部企业加速发展，不仅能帮助企业节省私有化的软硬件成本、不需要自建信息化维护团队，同时可以享受到AI 智能对企业带来的改变，因此对于整个产业，平台的价值是巨大的。然而现阶段AI 质检均是基于私有化部署来实现，无论是因为对于网络安全的顾虑，还是希望自家样本数据不外流并保持领先性，几乎所有的企业均不使用平台来进行模型的迭代，这也造成了平台的发展非常缓慢。内置预训练大模型的平台在未来可能会打消企业对于数据安全的顾虑，同时保障自身模型的领先性，并且可以帮助中腰部企业快速部署高质量的AI 应用，降低成本和风险，提高生产效率，并保持与最新技术同步。

　　预训练大模型通常是在大规模数据集上训练得到的，具有较高的性能和准确性。同时，这些模型通常遵循统一的接口和规范，使得企业可以轻松地在不同的平台之间迁移和复用，对于研发能力比较薄弱的中腰部企业，预训练大模型平台有着很好的技术支持和社区，可使企业从社区获得帮助和建议，快速解决遇到的问题。预训练大模型平台还提供了灵活的API 和工具，提供了模型微调（fine-tuning） 和增量学习（incremental learning）的功能，使得企业可以根据自身需求和数据定制和扩展模型，从而保持领先性。

　　在未来，平台在加强与大数据平台、服务网关、设备等集成的同时，也需要鼓励细分行业的服务商基于平台开发、交易、运维SaaS 服务或模型，如果平台能在运营推广、交易和计费上进一步完善，将促进服务商和客户使用平台能力，加快产品功能和模型效果提升，进一步扩展适配的行业，促进产业升级。

　　5　结束语

　　作为制造业大国，我国拥有海量质检应用场景， AI“智”检在各场景的首个应用对于产业智能化的提升都具有重要意义。但“万事开头难”，应用的首次落地不但需要技术层面的创新和探索，也需要企业具有创新精神，敢于把场景痛点拿出来进行研究，同技术伙伴共同探索解决方案。在中国制造业急需转型升级的今天，企业一方面继续保持精益生产的机制，但更重要的是如何更聪明的使用科技来保持领先不被淘汰，然而具有此类思想的企业还不多，大多企业尝试智能化应用的前提依然是在其他企业已经有成熟的落地案例。

　　尽管如此，AI 在制造业依然在加速扩展和深化，从研发、生产、供应、销售到服务的各个场景都有着广泛的应前景。通过AI 仿真和海量数据分析，助力产品在研发阶段的快速性能提升和设计迭代优化，辅助高效且精准的产品设计和研发创新；通过生产要素实时远程监控和设备故障的预测，避免生产中断和非计划停机带来的损失；通过对历史数据的分析建模，帮助企业制订精准且灵活的生产计划和采购策略，优化供应链管理，避免库存积压并降低采购和库存成本；通过对市场趋势和消费者数据的分析建模，助力企业精准的销售策略和营销计划的制订；通过智能客服、数字人、文生图、智能问数等AI 应用，提供更加便捷和贴心的全天候服务体验，提升客户复购率和满意度。