我在一家电子厂做审核时，看到检验员用放大镜看PCB板上的焊点。他告诉我：

"每天看3000个焊点，下班时眼睛都是花的。有时候明明看到了，一眨眼又不确定……"

传统外观检测有三座大山：

1. 主观性：划痕多长算缺陷？每个人标准不一样。同一条划痕，A判定合格，B判定不合格。

2. 疲劳性：检验员连续工作2小时后，漏检率上升30%~50%（数据来源：某汽车厂内部统计）。

3. 无记录：人工检验完，只盖个"合格"章。哪个位置容易出缺陷？说不清楚。

一套AI视觉检测系统，通常有4个步骤：

① 图像采集：工业相机+光源，把产品拍成高清图。光源很关键——同轴光看划痕，背光看通孔，结构光看3D形状。

② 缺陷定位：AI模型（通常是YOLO或ResNet）找出"哪里可能有缺陷"。这一步速度很快，一秒能扫几十张图。

③ 缺陷分类：定位到缺陷后，AI判断"这是划痕还是脏点？"——分类越细，后面改进越精准。

④ 报告生成：自动生成检测报告（PDF或Excel），记录每个产品的检测时间、缺陷位置、缺陷类型、是否合格。

江苏某电子厂（2025年案例），主要生产手机金属外壳。改造前：

改造前：

• 检验员人数：20人

• 漏检率：约8%（客户投诉反馈）

• 检测速度：约60件/分钟/人

• 检测报告：手写记录，无法追溯

改造后（AI视觉检测上线）：

• 检验员人数：2人（只需监控+复核）

• 漏检率：降至0.3%

• 检测速度：300件/分钟（AI自动）

• 检测报告：自动生成PDF，可追溯

ROI计算：AI系统投入约80万，节省人工成本约60万/年，约14个月回本。

传统检测报告只有一句话："合格"或"不合格"。

AI检测报告能干这些事：

① 缺陷分布图：哪个位置最容易出缺陷？AI自动统计，生成热力图。工艺员一看就知道：哦，原来是模具这个地方磨损了。

② 趋势分析：过去7天，缺陷率是上升还是下降？AI自动画折线图。如果缺陷率突然上升，系统自动报警。

③ SPC联动：AI检测的缺陷数据，直接喂给SPC系统。不用人工录入，零延迟。

④ 客户对账：客户说"这批货有缺陷"，你把AI检测报告（带图像截图）发过去——哪件合格、哪件不合格、缺陷在哪，一清二楚。

别一上来就买最贵的设备。按这个节奏来：

第一步：选试点（1~2个月）选缺陷明显、拍图容易、量大的产品先试。比如：螺丝外观、PCB板焊点、手机壳划痕。

第二步：采集数据（2~3个月）拍至少5000张图（合格+不合格各一半），让AI学习。数据不够，AI就是个"瞎子"。

第三步：上线验证（1个月）AI和人工并行检验一批货，对比结果。如果AI准确率≥95%，再考虑全面替换。

⚠️ 注意：AI不是万能的。复杂纹理、反光表面、透明材料，AI也容易"看花眼"。这种场景，还是得靠人。