人工智能在制造業智能檢測中的應用研究

楊文旭

（北京百度網訊科技有限公司，北京 100085）

1 引言

隨著人工智能、工業互聯網等技術的蓬勃發展，工業智能正以前所未有的速度成為現實。尤其以ChatGPT、文心一言等為代表的大模型應用，正在加速推動制造業踏上智能化升級之路，為制造業的智改數轉帶來深刻的變革。智能化的影響已經深刻地滲透到制造業的各個層面，為工業化發展注入了嶄新的活力。

2 人工智能在制造業領域的應用簡述

早期人工智能在制造業的嘗試主要體現在調度優化方面，旨在解決資源分配、工人管理和機器協同的挑戰。在20世紀80年代，專家系統被引入制造業，這些系統通過模擬專業人員的知識和經驗，幫助制造企業制定更有效的生產計劃。90年代，遺傳算法等優化方法開始應用于生產調度，通過模擬自然選擇的過程優化生產計劃，以達到最大化提升生產效率和資源優化利用的目標。合理的成本控制及節能增效也是人工智能在制造業持續探索的重要方向。從2000年開始，制造業嘗試在供應鏈管理系統中引入人工智能技術，通過實時數據分析、預測算法和優化模型，幫助企業更好地管理供應鏈，降低物流成本，確保原材料的及時供應，從而實現對成本的控制。自2010年左右，制造業開始采用智能能源管理系統，利用人工智能來監測和分析能源使用情況，自動調整設備的能源消耗，以及優化生產計劃，從而降低了能源成本。

早期人工智能視覺算法，特別是基于模式識別的方法，為制造業產品檢驗和質量控制領域帶來了革命性的進展，這些算法以其高度智能化的圖像分析能力，能夠在制造流程中檢測和識別產品的缺陷、異?；虿缓细裉卣?，從而確保最終產品的質量符合標準。制造業特性決定了質檢工作應以高速和高精度進行，隨著計算機性能的提升，機器視覺系統在90年代迎來了顯著的發展，系統利用攝像頭和傳感器捕捉產品圖像，然后通過圖像處理和深度學習算法進行分析，實現對產品質量的實時監測和檢測。借助機器視覺的技術優勢，人工智能質檢系統能夠以毫秒級的速度處理大量圖像數據，實現高精度的檢測和分類，確保了產品質量的一致性；2000年，隨著傳感器技術的發展，人工智能開始與大量傳感器數據結合，實現對制造過程的全面監控。此外，人工智能的靈活特性也決定了智能質檢可以根據新的標準和要求進行快速調整，保持了質檢的準確性和有效性。

在前三次工業革命中，歐美等國在生產技術及工業場景的深度積累，為其在傳統視覺算法領域的研發奠定基礎。在深度學習之前，智能檢驗設備均基于精密光學及傳統視覺算法展開檢驗與分析，這均構成了國外AI質檢的先發優勢。然而，隨著神經網絡的興起，以及我國在制造業和人工智能領域的大量投入，在AI質檢領域，中國和海外重歸同一起跑線，甚至展現出全球領先的趨勢，中國不僅擁有海量AI質檢應用場景，還涌現出多家在AI質檢領域持續耕耘的人工智能服務商。因此，AI質檢的發展有助于我國制造業智能化升級，進而為我國制造業在細分賽道上“彎道超車”和“技術出海”提供重要契機。

3 AI質檢的發展和局限

3.1 AI質檢的發展及應用

質檢是制造生產過程中不可或缺的環節，它確保了產品從原料、工藝到成品都是符合標準和規范的，是合格產品的“身份證”，是良好企業的“護城河”，是消費信任的體系基礎。盡管人工智能和機器視覺等檢測技術逐漸成熟，但目前80%以上的工業表面缺陷檢測仍依賴于人工目檢法。且受制于人力成本、生產節拍、場地空間等因素，大量的行業仍以抽檢的形式進行產品的質檢工作。

抽樣檢測是通過一定規則從一批產品抽取樣本進行檢測以反映整體質量情況。樣本抽取本身不是產品檢測的必需環節，且依賴大量的人工經驗，既增加檢測成本又降低效率。部分產品的檢測顯然無法完整說明一批產品的情況，無法避免“漏網之魚”，抽樣形成的樣品偏差也使得產品質量與原料、生產工藝、操作人員等失去了直接聯系，質量結果還需依靠大量的統計工作，難以形成質量的追溯。企業不得不采用更昂貴的原料、更苛刻的工藝以保證產品合格，從而導致產品成本的增加和競爭力的下降，而一次“漏網之魚”就會使企業的努力付諸東流。

隨著我國制造水平提升和對產品質量的重視，產品的批次全檢被更多的應用在包括醫療器械、食品藥品、航空航天、高端電子裝備、汽車安全零部件等涉及消費者安全、健康，產品可靠性要求高，產品附加值高的行業中，全批次的質量檢測已經成為這些行業的標配甚至強制性標準。而傳統的檢驗標準往往需要目檢，也即在強光和工裝的輔助下用目力看出嚴格的尺寸、光滑的表面、完整的結構、有序的布局等。但這種依靠目力的人工全檢會造成人力成本增加、生產節拍犧牲等，都在限制這些行業的發展。

機器視覺的引入代替了人工目檢實現產品檢測的自動化，并且形成了如產品尺寸檢測、零部件裝配的有無、機加工焊接成型是否到位等經典應用。但隨著機器視覺檢測應用的不斷深入，工程師們發現傳統視覺檢測方式需要依賴固定的成像環境、人工的編程能力、對檢測機理的深度認識才能解決幾種非常相近的產品檢測，而且很難實現同類產品的標準化復制應用，特別是在涉及不確定性缺陷、混檢、圖文標簽檢測等場景上更是束手無策。

AI質檢則成為解決這些問題的一種很好的選擇，它解決了質量標準一致性和對于復雜缺陷無法的問題，且有著穩定、高效的優勢，同時也節省了大量人力。生產過程中核心工藝段半成品檢測以及成品終檢是當前需要大量人工質檢的場景，通過AI質檢，最大程度避免不符合標準的半成品流向后段，造成大量生產和人力資源浪費，以及避免不合格產品流入市場，造成嚴重的質量問題導致客訴，給企業造成經濟損失和品牌損害。

3.2 AI質檢的局限

然而AI質檢是涉及光、機、電、算、軟一體化的解決方案，不同質檢需求場景難度也會決定整體方案復雜度，其中光學成像的復雜度和算法模型是否能夠收斂是決定AI質檢ROI測算的關鍵因素，企業愿意擁抱AI質檢的前提是質檢效果需要達到人工檢測的標準且在一定周期內有好的投入產出效益。

現階段AI質檢能夠較好落地的場景大多是以節省人力成本為驅動的，這方面確實能夠緩解國內產業當前面臨的問題，但是由于ROI的問題，所能直接幫助到的行業和場景還不是很多。在一些節省人力不太明顯的行業，AI質檢的價值只體現在更好的統計質量問題，因此ROI并不明顯，這些行業的規?；瘡椭葡鄬^慢。如果AI質檢能夠和工藝的優化形成閉環，質檢環節所產生的數據能準確反映缺陷類別，并通過算法分析缺陷嚴重程度和變化趨勢，從而結合生產工藝實現質量根因分析、質量預測和生產工藝優化，從源頭上提高產品質量，則AI質檢的價值會指數級放大，ROI將更加顯著，應用的行業和場景會更加廣泛。

因此AI質檢現階段的局限性，最終都可以歸結到ROI的測算上，不論是光學成像的通用型、模型的可收斂性、還是AI質檢與生產工藝的可結合性，其實都是從客戶的投資回報比的角度來看的。這三種局限都會導致客戶投入在AI質檢方面的成本過高，成本回收周期長。目前看來，在PCB和3C結構件的檢測場景，這三種局限性產生的影響最小，客戶能夠獲得清晰的ROI測算，因此該行業AI質檢的應用落地較為成熟。

4 AI質檢未來的演進方向

盡管在制造業中AI質檢還有著諸多局限，然而其對未來產業的發展仍有非常明確的價值和意義。

一方面，AI質檢實現了質量標準一致性和缺陷數據的復雜認知，從而節省人力，在類似PCB的質檢場景已有成熟的應用落地。另一方面，AI質檢為全局質量提升和工藝改善提供了科學可靠的目標，不僅要幫助客戶實現不良品的“不流出”，更要進一步深入到生產工藝避免后續缺陷的產生。這意味著未來在優化視覺模型的同時，需要從視覺模型向數據模型輻射，引入生產過程中的質量、工藝、設備等數據，構建模型，進行質量關鍵影響因素的挖掘分析、監控預警、閉環管控，助力制造業從“不流出”不良品進一步升級到“不制造”不良品。

4.1 視覺模型與數據模型相結合

將質量與工藝形成閉環需要結合視覺模型和數據模型共同發揮作用。首先，基于數據模型可以建立產品質量預警系統。通過對生產過程中的關鍵因素進行實時監測和預警，我們可以在產品質量出現問題之前及時發現并采取相應的措施進行干預和解決，避免了產品質量事故的發生。其次，基于數據模型可以對生產過程中的各種因素進行分析，通過關聯性分析找出影響產品質量的根本原因，實現質量問題的反向溯源，減輕質量工程師分析問題的復雜度。最后，基于不斷迭代的數據模型可以針對關鍵控制參數推薦數值，實現生產工藝的不斷改進和優化。此外，我們還可以將工藝優化與生產控制系統進行有機結合，形成閉環，實現生產工藝的動態優化和調整，使生產過程更加穩定、高效、靈活。應用AI技術打造的數據模型，通過對海量的生產數據進行深入分析，可以幫助制造業挖掘出更多影響產品質量的潛在影響因素，更好地理解生產過程的內在機制和規律，更好地掌控產品質量。

4.2 逐步向大模型演進

AI技術的快速發展推動了生產效率的提高，然而當企業試圖引入AI技術的時候，往往會遇到數據的挑戰。傳統的機器學習方法需要大量的數據進行訓練，這對于許多企業來說是難以實現的。大模型的誕生解決了這一難題。利用大模型技術，企業可以利用更加少量數據、高效地完成AI應用的設計。大模型通過從大量的知識和數據中學習了復雜的模式和關系，在此基礎上，用戶只要進行少量的數據標注，即可讓模型執行各種任務，通過在大量圖像數據上進行預訓練，這些模型能夠學習到圖像中的深層特征和模式。對于擁有有限數據資源的企業來說，利用這些大模型能夠在一定程度上解決其數據不足的問題。此外，基于大模型的遷移學習技術，企業還可以利用自己的小數據集進行微調，從而使其模型更具針對性。

同時大模型結合跨模態技術，將進一步擴大AI模型的應用范圍。AI質檢大模型不僅僅可以加速AI質檢應用的落地，而且模型可以提供對缺陷影像的解讀能力。通過AI大模型對缺陷影像數據的解讀，用戶不僅僅可以對單一的質量缺陷數據進行深入了解，而且模型可以針對影像的特征，面向用戶提出改進建議，進而推動企業進行工藝和質量改進。

4.3 大模型平臺加速產業提升

平臺的價值體現在資源的集約、信息的流轉、知識的沉淀，這些價值尤其能幫助中腰部企業加速發展，不僅能幫助企業節省私有化的軟硬件成本、不需要自建信息化維護團隊，同時可以享受到AI智能對企業帶來的改變，因此對于整個產業，平臺的價值是巨大的。然而現階段AI質檢均是基于私有化部署來實現，無論是因為對于網絡安全的顧慮，還是希望自家樣本數據不外流并保持領先性，幾乎所有的企業均不使用平臺來進行模型的迭代，這也造成了平臺的發展非常緩慢。內置預訓練大模型的平臺在未來可能會打消企業對于數據安全的顧慮，同時保障自身模型的領先性，并且可以幫助中腰部企業快速部署高質量的AI應用，降低成本和風險，提高生產效率，并保持與最新技術同步。

預訓練大模型通常是在大規模數據集上訓練得到的，具有較高的性能和準確性。同時，這些模型通常遵循統一的接口和規范，使得企業可以輕松地在不同的平臺之間遷移和復用，對于研發能力比較薄弱的中腰部企業，預訓練大模型平臺有著很好的技術支持和社區，可使企業從社區獲得幫助和建議，快速解決遇到的問題。預訓練大模型平臺還提供了靈活的API和工具，提供了模型微調（fine-tuning）和增量學習（incremental learning）的功能，使得企業可以根據自身需求和數據定制和擴展模型，從而保持領先性。

在未來，平臺在加強與大數據平臺、服務網關、設備等集成的同時，也需要鼓勵細分行業的服務商基于平臺開發、交易、運維SaaS服務或模型，如果平臺能在運營推廣、交易和計費上進一步完善，將促進服務商和客戶使用平臺能力，加快產品功能和模型效果提升，進一步擴展適配的行業，促進產業升級。

5 結束語

作為制造業大國，我國擁有海量質檢應用場景，AI“智”檢在各場景的首個應用對于產業智能化的提升都具有重要意義。但“萬事開頭難”，應用的首次落地不但需要技術層面的創新和探索，也需要企業具有創新精神，敢于把場景痛點拿出來進行研究，同技術伙伴共同探索解決方案。在中國制造業急需轉型升級的今天，企業一方面繼續保持精益生產的機制，但更重要的是如何更聰明的使用科技來保持領先不被淘汰，然而具有此類思想的企業還不多，大多企業嘗試智能化應用的前提依然是在其他企業已經有成熟的落地案例。

盡管如此，AI在制造業依然在加速擴展和深化，從研發、生產、供應、銷售到服務的各個場景都有著廣泛的應前景。通過AI仿真和海量數據分析，助力產品在研發階段的快速性能提升和設計迭代優化，輔助高效且精準的產品設計和研發創新；通過生產要素實時遠程監控和設備故障的預測，避免生產中斷和非計劃停機帶來的損失；通過對歷史數據的分析建模，幫助企業制訂精準且靈活的生產計劃和采購策略，優化供應鏈管理，避免庫存積壓并降低采購和庫存成本；通過對市場趨勢和消費者數據的分析建模，助力企業精準的銷售策略和營銷計劃的制訂；通過智能客服、數字人、文生圖、智能問數等AI應用，提供更加便捷和貼心的全天候服務體驗，提升客戶復購率和滿意度。