ARTICLE · 1314296
基于 AI + OpenClaw 的工业视觉质检系统:工业质检模式的演进(一)
基于 AI + OpenClaw 的工业视觉质检系统:工业质检模式的演进(一)工业质检并不是简单地“拍一张照片，然后判断有没有缺陷”。 在真实工业生产环境中，一件产品从生产出来，到最终判定“合格 / 不合格”，背后往往涉及： 产品定位 → 图像采集 → 缺陷识别 → 缺陷判断 → 结果记录 → 异常处理 → 模型/规则迭代 不同技术路线的区别，本质上就在于： 这条链路到底由谁完成？ 传统方案主要依赖人。 传统机器视觉主要依赖规则和专业工程师。 而我们设计的新一代AI + OpenClaw工业视觉质检系统，希望进一步让： AI Agent 成为整个质检流程的“执行者”。 一、传统人工工业质检：最原始，但也最依赖经验 在很多工业生产场景中，最传统的质检方式就是：人工目视检测。 产品生产出来以后，通过流水线传送到质检工位，由质检人员观察产品表面是否存在： 裂纹 划痕 污染 缺角 变形 色差 装配异常 然后人工判断： 产品 ↓ ┌─────────┐ │ 质检人员 │ └────┬────┘ ↓ 人眼观察产品 ↓ ┌──────────┴──────────┐ ↓ ↓ 正常 异常 ↓ ↓ PASS ERROR 这种方式最大的优势是：灵活。 人可以根据经验处理很多复杂情况。 例如一个非常细小、不规则的裂纹，人眼有时候可以快速识别。 但是问题也非常明显。 1.1 传统人工质检存在的几个核心问题 1.1.1 对人的经验依赖非常强 不同质检人员的判断标准可能存在差异。 例如： “这条划痕到底算不算缺陷？” 经验丰富的质检员可能判断为 ERROR。 刚接触产品的人员可能判断为 OK。 因此： 相同产品 ↓ 不同质检人员 ↓ 可能得到不同结果 这会导致质检标准难以完全统一。 1.2 人工质检难以保证长期稳定性 工业生产通常需要长时间连续运行。 假设一条产线： 8小时 / 天 * 26天 / 月 * 12个月 / 年 那么质检人员需要长时间重复执行类似工作： 看产品 ↓ 判断 ↓ 放行 ↓ 看下一个产品 ↓ 判断 ↓ 放行 长时间高强度视觉工作容易出现： 疲劳 注意力下降 漏检 误检 尤其是当缺陷非常微小的时候，人的视觉疲劳会进一步影响检测结果。 1.3 人工质检效率存在天然上限 假设一个质检人员平均需要： 2 秒检查一个产品。 那么理论上： 60 / 2 = 30 PCS/min 但真实工业场景中，还需要考虑： 产品拿取 产品摆放 产品翻面 光照变化 人员操作 产品间隔 因此实际效率还会进一步下降。 当生产线不断提高速度以后： 人工质检很容易成为整个生产线的瓶颈。 1.4 人工质检还有一个非常重要的问题：无法持续沉淀知识 人工质检依赖的是：人的经验。 例如一个老员工可能知道： “这种边缘位置出现的细小黑线，很可能是某一种缺陷。” 但这种经验通常存在于人的脑子里。 如果员工离职： 人员离开 ↓ 经验流失 企业很难把这些经验完整沉淀下来。 这也是传统人工质检非常大的一个痛点。 二、 于是工业视觉开始替代“人眼” 随着计算机视觉技术的发展，工业质检开始逐渐从： 人眼检测 转向： 机器视觉检测。 典型流程变成： 工业相机 ↓ 图像采集 ↓ 图像预处理 ↓ 算法分析 ↓ 缺陷判断 ↓ 输出 OK / NG 例如： 工业相机 ↓ ┌──────────┐ │ 图像采集 │ └────┬─────┘ ↓ 图像预处理 ↓ CV算法分析 ↓ ┌────────┴────────┐ ↓ ↓ 正常 缺陷 ↓ ↓ PASS FAIL 相比人工质检，这已经有了非常明显的提升。 2.1 传统机器视觉解决了什么问题？ 传统机器视觉最大的价值是： 把人的视觉判断过程数字化。 例如，可以使用： 边缘检测 阈值分割 模板匹配 Blob分析 OCR 几何测量 特征匹配 来判断产品是否存在异常。 这样以后： 人眼 ↓ 机器视觉 检测结果可以进一步数字化。 产品ID：A000123 检测结果：ERROR 缺陷类型：划痕 缺陷面积：2.3mm² 检测时间：2026:10:07:13:25:32 这对于工业生产非常重要。 2.2 但是传统机器视觉又产生了新的问题 传统机器视觉虽然减少了人工，但是它通常高度依赖： 专业算法工程师。 例如现在需要检测： “模组表面的裂纹。” 工程师可能需要： 分析产品 ↓ 设计光源 ↓ 选择相机 ↓ 采集图片 ↓ 分析缺陷特征 ↓ 设计算法 ↓ 调阈值 ↓ 测试 ↓ 修改参数 ↓ 重新测试 如果换一种产品： “现在我要检测水杯表面的划痕。” 可能又需要重新开发。 因此： 产品A ↓ 算法A ↓ 产品B ↓ 算法B ↓ 产品C ↓ 算法C 不同产品往往需要不同的算法方案。 2.3 真正的工业 AI 时代：让模型学习“什么是缺陷” AI 特别是深度学习技术出现以后，工业视觉发生了非常大的变化。 传统机器视觉更偏向： 工程师告诉机器“什么特征是缺陷”。 深度学习则更加倾向： 让模型从大量数据中学习“什么是缺陷”。 传统方式： 工程师 ↓ 设计规则 ↓ 程序 ↓ 判断缺陷 AI方式： 数据 ↓ 训练 ↓ AI模型 ↓ 学习缺陷特征 ↓ 推理 这带来了一个非常重要的变化： 从“规则驱动”逐渐走向“数据驱动”。 2.4 但是仅仅使用 AI 模型，还不够 这是我们在实际项目中非常深的一个体会。 很多人理解工业 AI 时，容易认为： 训练一个模型 + 部署到设备 = AI工业质检 实际上远远没有这么简单。 真正的工业 AI 链路是： 工业产品 ↓ 数据采集 ↓ 数据清洗 ↓ 数据标注 ↓ 模型训练 ↓ 模型评估 ↓ 模型优化 ↓ 边缘部署 ↓ 推理引擎（BPU）推理 ↓ 结果分析 ↓ 产线应用 每一个环节，都可能需要不同的专业人员参与。 2.5 传统 AI 工业质检最大的痛点：AI 使用门槛依然很高 假设业务人员告诉算法工程师： “我现在需要检测模组上的裂纹。” 算法工程师可能需要进一步完成： ① 收集数据 ↓ ② 标注数据 ↓ ③ 选择模型 ↓ ④ 修改训练配置 ↓ ⑤ 启动训练 ↓ ⑥ 评估模型 ↓ ⑦ 调整参数 ↓ ⑧ 模型转换 ↓ ⑨ INT8量化 ↓ ⑩ 部署到边缘设备 ↓ ⑪ 推理引擎（BPU）推理测试 ↓ ⑫ 调优性能 业务人员本身很难直接完成。 因此，传统工业 AI 实际上是： 业务人员 ↓ 提出需求 ↓ 算法工程师 ↓ 模型工程师 ↓ 部署工程师 ↓ 嵌入式工程师 ↓ 最终上线 这也是工业 AI 大规模落地过程中非常现实的问题： 模型有了，但是会使用模型的人太少。 三、我们新一代工业质检系统（基于 AI + OpenClaw 的工业视觉质检系统）真正想解决的，就是这个问题 传统工业 AI 质检系统虽然已经能够通过深度学习模型实现自动缺陷检测，但整个 AI 应用过程依然存在较高的专业门槛。 例如，业务人员如果想新增一个产品的质检任务，往往仍然需要专业人员完成 数据采集 ↓ 数据处理 ↓ 模型训练 ↓ 模型评估 ↓ 模型优化 ↓ 模型部署 ↓ 模型推理 业务人员实际上并不需要关心这些复杂的技术细节。 他们真正关心的是： “我想检测什么？” 因此，在新一代工业质检系统设计过程中，我们提出了一个核心思路： 能不能把复杂的工业 AI 工程能力封装起来，让业务人员不需要直接操作底层工具，而是通过自然语言对话即可调用这些 AI 能力？ 基于这个思路，我们将工业视觉质检过程中的核心功能进一步进行了 Skill 化封装，并通过 OpenClaw + AI Agent 为用户提供统一的自然语言交互入口。 3.1 核心设计：把工业 AI 能力封装成 Skill 整个系统并不是让 OpenClaw 本身去直接完成所有工作。 我们的核心思路是： 将原本独立的数据采集、模型训练、模型优化、模型推理等能力，分别封装成可以被 Agent 调用的 Skill。 例如： OpenClaw │ AI Agent │ 自然语言理解用户需求 │ ┌──────────┼──────────┐ ↓ ↓ ↓ 数据采集Skill 训练Skill 推理Skill │ │ │ ↓ ↓ ↓ 自动采集数据 自动训练模型 自动执行推理 │ ↓ 优化Skill │ ↓ 模型优化 也就是说，我们并不是简单地把一个完整的工业质检流程写死，而是将不同的 AI 能力拆解成相对独立的 Skill。 这样做的一个重要好处就是： AI 能力可以被灵活组合和复用。 3.2 什么是这里的 Skill？ 这里的 Skill 可以简单理解为： 一个经过封装、可以被 AI Agent 调用的专业能力。 对于业务人员来说，他们不需要知道 Skill 内部到底是 Python/C++ 脚本、模型训练程序还是推理程序。 例如系统内部可能存在： DatasetCollect Skill ModelTrain Skill ModelOptimize Skill ModelInference Skill 分别对应： 数据采集 模型训练 模型优化 模型推理 用户不需要直接执行： python xxx.py 也不需要自己配置复杂的参数。 而是可以直接通过自然语言告诉 Agent： “帮我采集一批这个产品的训练数据。” 或者： “帮我训练一个用于检测裂纹的模型。” 或者： “使用刚才训练好的模型进行推理。” OpenClaw 会根据用户的意图，选择并调用对应的 Skill。 3.3 从“人工操作工具”变成“自然语言调用 Skill” 传统工业 AI 的使用方式更接近： 工程师 ↓ 打开工具 ↓ 配置参数 ↓ 执行脚本 ↓ 查看日志 ↓ 修改参数 ↓ 重新执行 例如模型训练过程中，工程师可能需要手动执行： 数据准备 ↓ 修改配置 ↓ 启动训练 ↓ 查看训练日志 ↓ 调整参数 ↓ 重新训练 而在 Skill 化之后，用户看到的是更加自然的交互方式： 用户： “帮我训练一个模组裂纹检测模型。” Agent 根据用户需求调用： ModelTrain Skill 由 Skill 完成实际的模型训练工作。 最终将结果返回给用户： 训练任务完成 模型： 模组裂纹检测模型 训练状态： Success 模型文件： …… 因此，用户与底层 AI 能力之间形成了一层抽象： ┌───────────────────┐ │ 用户 │ │ │ │ 自然语言对话 │ └─────────┬─────────┘ ↓ ┌───────────────────┐ │ OpenClaw │ │ Agent │ └─────────┬─────────┘ ↓ ┌───────────────────┐ │ Skills │ │ │ │ 数据采集 / 训练 │ │ 模型优化 / 推理 │ └─────────┬─────────┘ ↓ ┌───────────────────┐ │ AI底层能力 │ │ │ │ Python / PyTorch │ │ OpenCV / BPU │ │ 推理引擎 / 工具链 │ └───────────────────┘ 3.4 这种设计最大的价值是什么？ 这种架构真正解决的并不是： “让 AI 替代算法模型。” 模型仍然是模型。 而是： 让 AI Agent 成为这些专业 AI 能力的自然语言使用入口。 可以把两种模式进行一个非常直观的对比。 传统工业质检模式 工程师 │ ┌───────────────┼───────────────┐ ↓ ↓ ↓ 数据工具 训练工具 推理工具 ↓ ↓ ↓ 手动操作 手动配置 手动执行 新一代工业质检模式 用户 │ 自然语言 ↓ OpenClaw │ AI Agent │ ┌─────────────┼─────────────┐ ↓ ↓ ↓ DataCollect Train Inference Skill Skill Skill ... ↓ ↓ ↓ 数据采集 模型训练 模型推理 ... 因此，整个系统的核心变化可以概括为： 从“人操作 AI 工具”，变成“人通过自然语言调用 AI 能力”。 3.5 核心技术路线 整个项目可以概括为： ┌──────────────────────────────────────────────────────────────┐ │ 用户交互层 │ │ │ │ 用户 → 自然语言对话 │ └───────────────────────────┬──────────────────────────────────┘ ↓ ┌──────────────────────────────────────────────────────────────┐ │ Agent层 │ │ │ │ OpenClaw + AI Agent │ │ │ │ 意图理解 → Skill选择 │ └───────────────────────────┬──────────────────────────────────┘ ↓ ┌─────────────┼──────────────┐ ↓ ↓ ↓ 数据采集 Skill 模型训练 Skill 模型推理 Skill │ │ │ ↓ ↓ ↓ 数据获取 Anomalib + PatchCore BPU推理 │ ↓ ┌───────────────┐ │ PatchCore模型 │ └───────┬───────┘ ↓ 特征提取 / 特征记忆库 ↓ 模型优化 Skill ↓ INT8量化 / 模型转换 ↓ BPU模型部署 ↓ ┌────────────────────┐ │ 边缘AI设备 │ │ RDK S100 │ │ Horizon BPU │ └─────────┬──────────┘ ↓ 工业视觉质检 ↓ OK / NG + 异常区域 这也是新一代工业质检系统与传统方案最核心的区别： 我们不是简单地增加了一个 AI 模型，而是将原本分散、专业、复杂的工业 AI 能力进行 Skill 化封装，再通过 OpenClaw 的自然语言交互能力，让这些能力可以被业务人员直接调用。 最终实现： “懂业务的人负责描述需求，AI Agent 负责调用能力，底层 AI 工具负责执行。” 本文是《基于 AI + OpenClaw 的工业视觉质检系统》项目系列第一篇，下一篇文章将深入展开系统的具体实现细节，敬请关注。
