聊到2022年我作为一个长期跟进工业智能化的从业者最直观的感受是AI工业质检不再是一个“新概念”而是真正长成了产业。那一年前后很多制造业工厂从“听说AI能检缺陷”变成了“上一条AI质检产线试试”朋友圈里到处是3C、锂电、光伏的检测设备中标消息。产业链上的公司也明显分层了上游做光源相机中游做算法平台下游做整线集成各有各的生意也各有各的难处。这篇文章就围绕“2022中国AI工业质检产业链”来拆先讲清楚行业为什么在这个时间点集中爆发再把上游、中游、下游掰开揉碎看一遍接着写核心技术点是什么、选型怎么选、落地怎么做、坑有哪些。如果你正准备评估AI质检项目或者想搞清这条产业链上谁在赚钱、钱花在哪这篇应该能给你一个比较完整的坐标系。1. 2022年AI工业质检为什么突然成了产业链风口1.1 传统质检的长期阵痛制造业里有个被念叨了十几年的问题质检岗位招不到人了。不是工资给不到位而是这活儿确实反人性——在产线边上盯着高速通过的工件一坐八小时重复同一个识别动作。人眼的可靠窗口大概只有20到30分钟之后漏检率会明显往上走。我参观过一条连接器Pin针检测线人工目检的标准是每分钟看120个工件熟练工也会看漏更别提旺季两班倒之后的状态。这还只是人力层面。更麻烦的是很多缺陷是“说不清楚”的。比如手机中框上的轻微划伤不同老师傅判定标准不一样——有人说算有人说不算这就导致出厂质量不稳定。一旦下游客户投诉复盘时数据也不好追溯因为人工记录往往只写“OK/NG”没留下缺陷图片。这些痛点长期存在但在以前没有可解的方案工厂只能捏着鼻子用“人工传统机器视觉”凑合。1.2 深度学习到底改变了什么传统机器视觉俗称CV干的是规则活用固定阈值、灰度值、边缘算子、形态学滤波去检测。它的优点是快、确定、好部署缺点是怕“非规则缺陷”——比如纹理表面的脏污、形状不规则的划痕、多方向的毛刺。传统视觉能做好的是定位、测量、有无判断但碰到“知道它不对但说不清哪里不对”的场景基本就抓瞎了。AI工业质检的核心变化是把“特征定义”从人手工设置变成了模型自动学习。用缺陷样本和正常样本去训练一个神经网络模型自己提炼出“什么样的形态算缺陷”。说白了就是以前是老师傅写规则现在是模型看大量图后自己长规则。这种能力的提升直接打开了两个大门——一个是检测类型从“规则缺陷”扩展到“外观缺陷、复杂背景缺陷”另一个是算法可以泛化到同类型的新产品换型时不用重新设几十个参数。1.3 市场规模是怎么估出来的2022年前后市面上关于AI工业质检的市场数据口径不一有的算工业机器视觉大盘有的只算深度学习质检软件。综合多家券商和上市公司披露的口径中国工业机器视觉市场规模在百亿量级而其中深度学习方案的渗透率那年大概在20%到30%之间。别小看这个比例它的增速非常吓人因为前几年几乎是在个位数。我自己更关注的是产业链的“承重”变化。2022年能明显感觉到三个信号第一头部3C代工厂开始把AI质检作为新建产线的标配而不是试点选项第二锂电和光伏扩产周期带来了大量在线缺陷检测订单这两个行业的表面缺陷直接和安全性、发电效率挂钩客户愿意出这个预算第三国产AI芯片和推理卡的成熟让“边缘端跑模型”的成本大幅下降。这些信号拼在一起产业化的基础就成立了。2. 产业链全景拆解上游硬件、中游算法装备、下游场景2.1 上游光学硬件与算力底座产业链最上游是核心元器件不算高深但没有它整条链子转不起来。主要包括四类工业相机、镜头、光源以及工控机/边缘计算设备。工业相机这边主流是面阵相机和线阵相机两种。面阵相机适合静态或短停拍照比如手机零部件放到治具里拍一张线阵相机适合连续运动表面比如钢材、锂电池极片这类长条形材料用线扫配合编码器逐行扫描。分辨率上500万、1200万像素是主力高端场景已经上到2900万甚至更高。核心指标是帧率、全局快门、光谱响应范围这些决定了“拍不拍得清、拍得快不快”。光源这块最容易被低估。有些AI项目最后死掉不是算法不行而是光照不稳定。环形光、同轴光、条形光、低角度光每种光源应对的缺陷类型完全不同。比如低角度光容易照出浅划伤同轴光适合高反光平面。光源控制器还要配合频闪用短脉冲把亮度拉高而不发热。这一行的毛利不错但格局比较分散国产替代很充分。算力底座在2022年有一个明显变化推理端慢慢从“服务器GPU”向“工控机边缘AI模组”迁移。一个2U工控机插上一张推理卡就能跑YOLO级别的模型功耗和成本都可控。产业链上游还有一个细分角色是数据采集和标注服务商虽然不常被写进产业链图里但真实项目里它卡着大量交付进度。2.2 中游算法方案商与装备集成商的分工中游是产业链最有故事的部分大致分两种角色。第一类是AI算法方案商。他们做的是训练平台、模型仓库、缺陷检测SDK以及光学方案的整包输出。这类公司通常直接面对最终客户或者把SDK卖给装备集成商代表玩家包括百度智能云、创新奇智、旷视以及一批创业公司如阿丘科技、思谋科技、微亿智造、感图科技。他们的核心价值在于“算法在工业场景能不能稳定出活”而不是算法论文多漂亮。第二类是传统机器视觉装备集成商以及大型自动化集成商。他们本来就在给产线做视觉设备懂PLC、懂机械手、懂产线节拍。AI浪潮来了之后他们面临选择要么自研算法要么采购算法方方案。2022年我见到的常态是“集成商算法商”联合投标集成商出设备和产线改造算法商出模型和训练工具。这个组合在投标阶段很有竞争力。2.3 下游谁在真金白银地买单产业链下游是按行业分的需求方。2022年最活跃的三个行业分别是3C电子手机中框、玻璃盖板、PCB、连接器、摄像头模组都要外观检测。客户是富士康、立讯、伯恩这类代工巨头。特点是换型频繁、节奏快、对误判容忍度低因为过杀一片会直接拖垮出货。新能源锂电光伏锂电要检测极片表面划痕、箔材褶皱、焊接缺陷、隔膜破损光伏要看电池片隐裂、断栅、污染。这个行业的增长逻辑是扩产周期产线都是新建的检测设备可以直接写进产线方案钱最好拿。汽车及零部件发动机缸体表面的气孔砂眼、漆面质量、焊接瑕疵、齿轮端面。汽车厂对质量追溯要求很高AI质检的“留图定位”能力很有价值。下游买单逻辑有一个共性他们买的不是“AI”而是“更低的漏检率和更稳定的出货质量”。谁的价格能算得过账谁就能拿下订单。这也解释了为什么AI质检的项目制属性强——每个行业的缺缺陷形态不同产线结构不同纯标准品很难通吃。下面用一张表概括产业链位置和价值表现环节主要内容典型角色价值特征上游-硬件相机、镜头、光源、工控机、边缘推理模组海康机器视觉、华睿、OPT、Basler、大恒图像产品化程度高毛利中等拼渠道和性能上游-数据服务采集、清洗、标注、缺陷样本库专业标注团队、数据服务商容易被忽视但直接影响模型迭代中游-算法方案训练平台、检测SDK、光学解决方案阿丘、思谋、创新奇智、百度智能云、旷视技术壁垒高但项目制重交付压力大中游-装备集成检测机、在线工作站、整线改造自动化集成商、视觉设备商离客户最近负责交期和售后下游-终端用户3C、锂电、光伏、汽车、钢铁、纺织等制造工厂关心成本、节拍、良率提升产业链的价值分布有点像一个“哑铃”上游标准硬件和下游大客户的议价能力都强夹在中间的项目型算法商和集成商表面风光实际利润被交付人力成本吃掉不少。这一点在后文选型部分还会展开。3. 核心技术细节缺陷检测的算法逻辑和工程约束3.1 任务类型决定方案选型AI工业质检听起来是个大概念但落到模型层面其实是几类典型任务的组合。图像分类判断一个工件“OK/NG”。适合缺陷有无的判断比如电容表面有没有破损结构简单、数据量好凑。目标检测在图像中找出“哪里有问题”。比如PCB板上的缺件、偏移、锡珠用矩形框把缺陷框出来。YOLO系列是在工业场景落地最广的检测器速度和精度平衡得很好。实例分割/语义分割把缺陷像素精确标出来适合需要分析缺陷形状、面积的场景比如钢卷表面的夹杂物到底多长多宽光伏电池片的隐裂纹路走向。这类任务通常用U-Net、Mask R-CNN类模型。2022年还有一个重要分支是异常检测Anomaly Detection它专门解决“缺陷样本极少”的问题。只拿正常样本训练模型学习“正常长什么样”测试时出现偏离就判定为异常。这类方法在纹理表面场景很有用但有一个问题它只告诉你有异常说不清异常到底是什么有时会把正常工艺特征误报成缺陷。选型时我的经验是不要先选模型先搞清楚你要的是“识别有没有问题”还是“识别问题并分类定性”。有些工厂只想知道漏检率降到多少那你做二分类就够了有些工厂需要按缺陷类型追溯工艺原因就必须上分类或者分割模型数据标注成本也会跟着涨。3.2 数据产业链上真正的护城河算法模型在网上开源的一抓一大把但能把模型调好并长期维护的团队没几个核心差距在数据。工业缺陷数据的难点有两个一是数量少二是分布极度不均衡。数量少是因为缺陷本身是小概率事件。一条产线的不良率0.5%一小时内产出几千件但真正带缺陷的可能只有几十件而且每类缺陷的形态还不一样。要凑齐每类缺陷几千张的训练集往往要连续采集一个到几个月的产线图片。分布不均衡就更头疼了。划痕占了缺陷总数的80%而裂纹只占1%。模型很容易学“偏科”对划痕很敏感对裂纹几乎无感。解决方案有几种对裂纹做离线增强旋转、平移、对比度变换用生成的假缺陷补充样本或者把缺陷检出拆成“检测分类”两步——先用无监督异常检测捞出偏离样本再交给分类模型定性。另外要强调的是标注一致性。我见过太多项目标注员前两周按一种标准框缺陷后两周换了个人标准漂移了模型学出来的特征自然不稳定。最好的做法是建立“标注规范文档”“争议样例评审会”把每类缺陷写清边界每两三天抽检一次标注样本。3.3 推理侧的节拍约束与算力测算算法只在训练阶段快没用上线了才算数。产线的节拍约束非常死比如一个工位要求6秒测一件那相机拍照、图像传输、算法推理、结果输出、分选动作的总时间必须压进这6秒里。很多项目POC阶段效果很好一上产线就露馅就是因为没算节拍账。以常见的手机中框检测为例一个中框要拍6到8个面每个面一张1200万像素图单张图4到8MB。如果每张图推理耗时控制在300毫秒左右多面并行处理整体节拍能压进4秒以内。算法端要做到这个速度常用办法是模型量化FP16降到INT8、裁剪网络结构、用TensorRT或OpenVINO做推理加速还要用GPU或专用推理卡并行跑多路图像。算力这块我给一个参考一台带中端推理卡的工控机大概能覆盖一到两个工位的检测任务。如果是线扫相机那种连续图像流数据的吞吐需求会成倍上升这时候往往要把图像裁剪成小块再并行推理顺便做个重叠区域去重不然重复检测会拉高误报率。4. 主要玩家与选型评估框架4.1 三类玩家各有什么长短2022年国内活跃的AI质检玩家大致分三类各有各的路数。第一类是“平台型大厂”。特点是底层训练框架、标注平台、AI中台齐全谈合作喜欢从集团数字化整体切入。优势是体系完整、算法团队强、不容易“跑路”劣势是对产线细节理解不深光学和机械这些“脏活累活”往往要搭配集成商一起干。适合预算充足、看重长期合作的规上企业。第二类是“AI算法创业公司”比如阿丘科技、思谋科技、微亿智造这类。创始团队普遍有海外AI背景或工业视觉背景产品形态以“检测软件光学方案”为主。他们对细分场景钻研更狠很多模型是基于客户现场数据定制的落地速度比平台型快。劣势是项目制交付导致人力占用高几家头部公司做大了之后也开始找产品化的路子。第三类是“传统机器视觉/自动化集成商”。他们本来就有光源、相机、PLC、机械手资源在产线上有深厚积累。这类玩家做AI质检通常是采购算法商的SDK包进自己的设备里。优势是工程能力强、售后服务到位劣势是算法迭代能力有限遇到新缺陷可能要等算法方更新版本。4.2 用维度挺合适地做评估给客户做选型建议时我一般建议用四个维度打而不是只看演示效果检测精度、产线节拍、交付组织、长期迭代成本。检测精度不要只看总准确率要拆成漏检率和过检率。很多演示视频里吹“准确率99.9%”实际上漏检率可能不达标。你需要问清楚在样本集里漏检定义是什么过检率是多少客户能接受多少按我接触的项目工业客户普遍要求漏检率低于0.5%过检率控制在3%以内过检超过5%产线操作员就会烦到手动关掉设备。交付组织上重点问算法方来几个人驻现场多久提供不提供打光方案有些项目输就输在算法方只给了一个压缩包SDK剩下全让客户自己折腾最后烂尾。长期迭代成本也很关键。产线换型、新缺陷出现模型是要重训的因此要确认对方提供的是“训练-迭代”的平台还是“黑盒模型”。前者意味着你有数据后续能自己玩后者意味着每改一次都要花钱花时间。表格式的对比更直观评估维度平台型大厂AI创业公司自动化集成商检测复杂度强最强中产线工程能力中中强交付速度和驻场服务中高高长期迭代灵活性平台能力好看项目绑定依赖算法供应商更新产品化程度高中等低适合客户大型集团有明确场景的制造工厂中小产线改造5. 落地实操从POC到量产的完整路径5.1 第一步技术可行性评估该问哪些问题决定上一个AI质检项目之前先做一个内部评估别急着联系供应商。评估表上至少要有这些题待检的缺陷类型有哪几种每类缺陷现在的不良率是多少产线节拍是多少检测工件是否有换型换型频率如何缺陷判断标准是否文字化现有产线能否保证光照和拍摄位置稳定这些问题里面最容易栽的是“判断标准”。很多工厂根本没有标准缺陷图册老师傅的经验没固化。AI项目上马前花了整整两周把缺陷分类和定义理清楚这个时间花得不亏因为后续所有数据标注、模型验收、客诉追溯都依赖这套标准。标准定清楚了后面跟供应商谈指标都更有底气。还要现场看打光条件。AI模型对光照变化极其敏感同一个工件在自然光和荧光灯下拍出来根本不像同一张图。如果你发现现有产线光源老化、位置随意评估结论必须是“先改造光学再谈AI”否则算法项目一上线就会被环境波动搞死。5.2 第二步采样到标注的闭环要跑起来技术评估过了进入数据环节。一般流程是连续采集两周到一月的产线图像把缺陷样本按类型打标正常样本也要保留并且要有足够的“类缺陷但实际正常”的难例样本——比如纹理上的划痕状印子这类样本是控制过检率的胜负手。数据采集时我强烈建议每种类别的缺陷至少攒到500张以上复杂的缺陷类别建议1000张以上。有些缺陷实在等不到就用两种办法补一是历史留存如果产线以前存过图片二是靠数据增强外加生成模型合成。但合成样本要谨慎只适合补形态规律性强的缺陷如形状规则的裂纹复杂的随机纹理缺陷合成不好反而会带偏模型。标注环节不要迷信一夜之间外包几千张图。工业缺陷标注需要既懂图像又懂工艺的人外包标注员常常把“气孔”和“杂质”混在一起。如果预算允许最好让工厂质量工程师做初版标注AI团队负责二次抽检和校准。这个看似慢其实后面省的是返工时间。5.3 第三步灰度上线与验收指标模型在实验室POC效果好不代表产线跑得稳。我建议的路径是先离线回放历史图再过线空跑再低速试运行最后才满节拍跑。每一步都要留数据别急着拍板。离线回放是拿工人挑剩下的NG图和正常图去跑模型看漏检率和过检率。这一步能把模型的底子测清楚。之后上产线空跑不加分选动作只做统计防止误报吵坏产线的同时还能积累更多真实环境数据。低速试运行阶段开始联动报警但保留人工复核。等模型连续一周稳定再切自动分选。验收指标要写明漏检率、过检率、平均无故障运行时间、单件检测节拍。还要约定验收的样本量比如各类缺陷各500张正常样本1000张得按这个抽检集算指标而不是拿开发集自说自话。很多商务扯皮都发生在验收标准没写细所以合同里这些数字务必钉死。5.4 部署形态与运维安排部署形态2022年已经比较成熟常见三种一体机相机加光源加工控机加软件、机台嵌入式算法模块集成到原有检测设备里、云端集中式多个工位图像上传到GPU服务器统一推理。前两种适合单机场景云端集中式适合多工位数据要汇总的场景但要注意产线网络要稳不然图像传不过去产线直接就停了。运维安排是整个项目成败的隐形关键。模型上线后工厂要安排专人定期导出误报漏报样本回传算法团队做增量训练一般一个月小迭代一次一个季度大迭代一次。如果工厂自己做不了这活就需要跟供应商签运维服务。很多项目就是败在“上线即解散”半年后产线一换型模型彻底失效设备变成摆设。6. 常见问题与排查技巧实录整个AI质检项目交付过程中我遇到的高频问题基本可以浓缩成一张表现象可能原因处理建议上线正常两周后过检率突然起飞产线光照变化如光源老化、夹具位移、环境光干扰加光源控制器闭环反馈定期校准光照模型训练时加入光照扰动增强某类缺陷永远漏检该类缺陷训练样本不足或标注边界不一致单独补充该类缺陷做针对性增强检查标注文件里真实框住了没有换新机型后模型完全失灵新产品表面材质、纹理变化旧模型特征失效建立“机型-模型”版本管理换型时自动调用对应模型推理速度达标但总节拍还是超标图像采集体量大、相机帧率和光源闪频限制做区域裁剪推理多线程并行换更高触发的相机减少无效图像模型报告中准确率很高进入产线却不停报警演示集与真实分布不一致演示集挑的是好检样本要求用连续一周的真实产线图像做回放测试数据采集时缺陷样本太少不良率低短期采样难以覆盖长尾延长采样周期到一个月和工艺部门配合复检下线品积累样本还有一个容易被人忽视的“坑”模型误报看起来是算法问题但根因在机械振动。有一个案子模型白天正常晚上过检率翻倍。排查到后面发现真空吸盘在压缩空气压力下降时吸附不稳工件姿态微偏图像区域就对不齐了特征是能对上但位置漂了导致算法误判。所以AI质检现场别永远只盯算法先去看物理状态——光照、振动、气压、灰尘这些变量没管住模型再强也扛不住。7. 产业链后续走向的一些个人体会做完2022这轮产业链梳理我的一个直接感受是AI工业质检的本质不是“AI行业向工业延伸”而是“工业行业把AI吸收成标准工艺能力”。谁的商业模式越接近“卖标准品收服务费”谁越舒服谁还在做纯项目集成谁就会被人力成本拖死。去工厂拜访时也验证了这点。客户不会因为你用了“AI”而多付钱他们只为“更低的不良率”和“稳定的节拍”买单。产业链里最稳的其实是两类角色一类是掌握核心光学方案的硬件商另一类是手里握着海量真实缺陷数据的算法团队。硬件是入场券数据才是护城河。最后再分享一个实操判断后续AI质检会往“多模态工艺闭环”走——不光是视觉还要把设备的振动、温度、电流等信号一起揉进来做预测性检测检测结果也不只是分拣而是反哺给前道工艺让缺陷从源头减少。如果一个供应商在2022年还只会跟你谈“我们模型多少层、指标多少点”但没有跟你聊过产线工艺、没有问过你的缺陷来源那他的方案大概率还停在demo阶段。选不选你自己掂量。
