工厂 AI 质检：天使之眼，一路摄像头替代专机

天使之眼质检界面示意（方案设计稿）

本页依据 2026 年 9 月《工厂 AI 质检 · 天使之眼纯摄像头视觉方案》整理，属于方案案例。文中「已落地」为方案文档列出的三个应用现场；产线质检本身按阶段一单工位试点推进。模型指标、周期与成本对比均为方案口径，不是交付后实测数据。

项目概况

一、同一双眼睛，已经站在三个现场

工厂质检不是从零开始。方案里列了三个已经使用同一套视觉引擎的现场：

三个行业、三类环境、同一套视觉底座。这说明的不是「我们什么都能做」，而是识别引擎在非标环境、产线节拍、移动端三种约束下都跑过，迁移到新产线时不用重新验证底层能力。

二、质量守门，为什么还靠人海与专机

漏检一件流向客户，代价是产线拦截的几十倍。但守住它，今天靠的是会累的人和会过时的机器。

厂长真正算的是三笔账：漏检流出带来的召回与索赔；专机改造的数万起投入加停线损失；质检用工的招聘与流失。三笔账加起来，产线缺的不是更多眼睛，是一双不会累、不会忘、换产品也跟得上的眼睛。

三、核心思路：看见即质检

摄像头同时是眼睛和裁判。不加专机、不改产线，画面里有什么缺陷，结论就是什么。

从「加专机、改产线」到「加一路摄像头」——这是整个方案在商业上成立的前提：立项阻力小，才有人愿意试。

四、天使之眼模型：一双眼，看懂产线上的一切

基于 YOLO11 实时视觉架构自研升级，检测、分割、姿态、分类与 OCR 一网打尽：

模型分五档，按需取用。下表为方案文档给出的 COCO 基准与 T4 TensorRT 实测口径：

这组数字要配合一句话看：mAP 是公开数据集上的通用指标，不等于你这条产线的检出率。真实检出率取决于缺陷类型、光照、相机选型与样本质量，只能在试点工位上测。

五、一条产线，四类质检一次覆盖

一次取景四路输出：框出缺陷、读出字符、判断姿态、给出结论。

传统是一台专机守一道工序；这套是一路摄像头，四类质检并行。这也是为什么它适合小批量、多品种的产线——专机摊不薄的成本，通用相机加模型可以摊。

六、两条视觉链路：看懂缺陷 + 守住身份

一次质检四步流水：智能抓帧 → 端侧推理 → 云端复核 → 结果回流（剔除 / 告警 / 报表）。

端侧省钱、云端兜底：常规帧端侧秒回，疑难帧才上云。这条设计直接决定了单路质检的成本能不能压到可忽略——否则每个工位都在烧云端算力，规模一上来就撑不住。

七、从一路摄像头到全链路：四级演进

方案判断是 V1 已覆盖多数外观与装配质检；V1 到 V4 每一级都是软件升级，产线硬件一步都不用动。这句话是这套方案最有价值的部分，也是最容易被过度承诺的部分——它能做到「不加专机」，但做不到「什么缺陷都能检」。

八、四层架构，端云协同

每层可独立替换，也可整链交付。对已有 MES 的工厂，通常只换第二层、接第三层，不动原有系统。

九、传统质检 vs 纯视觉质检

十、落地路线：三步，每步先验证

三个阶段都遵守同一条：先证明「检得出、误报少、工人愿意用」，再谈全车间。第三个条件最容易被忽略，但它往往决定项目能不能活过三个月。

十一、四个不确定，都有对策

设计铁律：检不出不等于死路。置信度不足自动转云端复核，绝不让产线停摆等 AI。

十二、这个方案的边界

• 不承诺 100% 检出。任何视觉质检都有漏检，方案给的是把漏检压到可接受水平，并让每一条 NG 都可回溯。
• 不是所有缺陷都适合视觉。内部裂纹、材料成分、密封性这类需要穿透检测的项目，摄像头看不到，得用 X 光、气密或超声。
• 不能替代工艺。模型能发现「这一批划痕变多了」，但为什么变多——刀具、来料还是参数——仍要工艺工程师判断。V4 的「反哺调机」指的是给数据，不是自动调机。
• 前期必须有人投入。缺陷标准怎么定、什么算致命、谁来判断，这些是管理问题，不是模型问题。没有工艺和质量部门配合，项目很难走完阶段二。
• 不承诺良率数字。良率取决于来料、设备、工艺与人员，视觉质检只是其中一环。

十三、适合什么样的工厂

• 小批量、多品种，AOI 专机摊不薄成本；
• 外观缺陷靠人工目检，漏检率随班次波动，客户投诉集中在「肉眼没看出来」；
• 有明确的缺陷判定标准，或者愿意在试点期把标准定下来；
• 产线不允许长时间停线改造，只能「加设备」不能「改设备」。

反过来说，如果产品单一、批量极大、精度要求到微米级，专用 AOI 仍然是更合适的选择。这套方案抢的不是专机的活，是那些专机不划算、人工又守不住的活。