2024年4月12日发(作者：)

工业AI应用案例-兼容多架构的AI质检解决方案

一、人工智能与制造业融合所面临的挑战

虽然AI 赋能的工业质检应用正在逐步渗透到多行业领域，其

在落地过程中也存在一定的挑战，例如，AI质检效果不如预期、数

据积累速度远低于产品交付，AI训练数据的小样本问题突出、算法

工程师缺少工业机理的理解等。工业质检领域技术供应商可以结合

自身业务特点，优先在有数据积累的场景进行差异化竞争。在工业

领域加强小样本等算法的研发，持续进行算法优化迭代。另外，技

术供应商也要加强对工业业务场景的理解与沉淀，包括产品生产流

程、加工工艺等，才能找准企业的痛点并提升应用效果。在合作生

态上，硬件厂商、解决方案商、集成商、服务提供商都是生态合作

中不可或缺的环节，工业质检领域的技术供应商还会进一步和合作

伙伴加强合作，丰富产业生态。未来，AI工业质检市场会进一步成

熟，进一步带领泛工业领域的自动化、智能化转型。

问题一：缺陷样本数据缺乏

人工智能模型的训练需要依赖大数量、高质量的数据，由于实

际生产中主要采用人工检测，涉及各类缺陷的高质量样本数据基本

没有，需要从零开始采集。但数据的自动化采集需要考虑镜头、光

源、工业相机等多方面因素，其中，光源就有几千种，还要考虑如

何组合。

问题二：模糊标准下的精准判定与分类

现实场景中质检员对于缺陷的判定主观性比较大，标准不太统

一，存在模糊性，比如对于同一种细小的缺陷判定，不同的质检员

容易受到个人经验影响，会存在判断上的分歧。即使选择使用传统

的AOI设备来弥补人工检测的不足，但在面对更加复杂的在线场景，

检测精度不高，可能会采用过高的误判率来最大可能地减少不良品

进入下一个环节，但这样会增加人工复检的成本。

问题三：检测需求多变且复杂

客户的检测需求一直在变化，尤其是在AI、5G、超高清等技术

加持下日新月异的触显领域。新技术的应用、制造工艺的变革，会

使检测的要求提升以及复杂性增加，比如：以前的检测精度要求可

能是15微米，但随着下游终端市场需求变化，现在的检测精度可能

要求达到10微米；对比2D、2.5D盖板玻璃，3D盖板玻璃在检测上

对视觉算法、光学系统、机械控制等要求更高，在实际中需要解决

的问题也更加复杂。

问题四：模型上线后迭代优化成本高

传统AI质检均在AI模型失效后，才能被厂方知晓。需要将AI

系统下线重复系统初次上线的模型优化工作。对于已经按AI质检调

整后的产线，需要重新排产重现安排质检员。这样的反复更替，会

带来AI运维成本的极大提高和效率极大降低。

二、市场需求情况

AI赋能的工业质检市场主要是软件和解决方案市场，在这一领

域，各类新技术供应商凭借自身基础优势进入该市场，如云厂商、