从人眼到AI眼：一家汽车零部件厂良品率85%到98%的逆袭实录

从人眼到AI眼：一家汽车零部件厂良品率85%到98%的逆袭实录

宁波北仑，一家为合资车企供应刹车盘的小型零部件制造商，2025年底面临的困境很典型：月产1.2万件刹车盘，人工目检环节的漏检率高达15%，导致每月约1800件不合格品流入下游。客户投诉不断，最严重的一次导致整车厂停线4小时，索赔金额超过当季利润。

厂长把问题拆清楚：5个质检员，三班倒，每人每班要检查约800个刹车盘的表面缺陷——裂纹、气孔、划痕。人眼在连续工作4小时后，注意力显著下降，漏检率从早班的8%飙升到晚班的22%。

方案选择：为什么是AI视觉而非更多质检员？

团队考虑过三个方案：

• 加人：再招5个质检员 + 双人交叉复检。成本增加40万/年，漏检率预计降至8%。
• 换设备：采购德国进口自动光学检测设备。单价120万，采购周期6个月，对产品型号变化的适应性差。
• AI视觉方案：基于铠盒智能（KAIHE AI）云端网关 + 开源视觉模型的轻量化检测系统。部署周期30天，总投入不到15万。

第三个方案打动厂长的不是价格——是灵活性。刹车盘的型号每年变化2-3次，传统设备每次换型需要厂商工程师现场调参（每次2-3天，收费8000元）。AI方案只需要重新标注少量新样本、微调模型即可——质管部门的技术员自己就能操作。

30天落地全记录

第1-5天：数据采集。 工程师在产线旁安装3台工业相机（侧面+正面+背面），连续采集了5000张带标注的缺陷样本图片。合格品和不合格品各占一半，覆盖了裂纹、气孔、划痕、尺寸偏差四种主要缺陷类型。

第6-15天：模型训练与验证。 基于开源视觉检测模型，用标注数据训练15轮。第12轮时模型在验证集上的准确率突破99%，第15轮达到99.7%。质检主管做了压力测试：100张故意混入缺陷的测试图片，AI检出99张，漏掉1张极细小裂纹（人眼同样会漏）。

第16-25天：产线部署与联调。 将铠盒网关部署在产线旁的工业PC上，接入AI视觉模型。产线流水线加装自动分拣推杆——AI判定不合格的刹车盘自动推入复检通道，人工二次确认后入废品仓。

第26-30天：试运行与交棒。 双轨运行，AI初检 + 人工复检。第28天的人工复检统计显示：AI初检的误判率小于0.3%，未发现漏检。第30天，厂长签字确认，5个质检员中的3个转入技术含量更高的过程质量监控岗。

30天后的数字

"算了一下，投入15万，光是少了客户索赔和减少了返工成本，两个月就回本了。"厂长在复盘会上说，"但更重要的是——现在客户审厂，看到我们的AI质检线，不用再解释为什么刹车盘会漏检了。"

这个案例的价值不在于AI视觉技术本身——那是现成的。在于它证明了一个事实：2026年，中小企业不再需要从零研发AI系统。就像这家工厂不需要制造自己的相机，也不需要训练自己的大模型。它就是踩在已有的开源模型和现成的云端网关之上，专注做好最后一个环节——把自己的质检数据变成AI能看懂的训练样本。