AI 质检的第一步大家都会了
机器视觉做缺陷检测，这几年在光伏、锂电、电子行业已经不是新鲜事：EL 图识别隐裂、AOI 查外观、尺寸测量比对公差。行业报告给 2026 年中国工业机器视觉的盘子是 257 亿元左右，年复合增速超过 26%，其中缺陷检测是占比最高的应用场景。第一步——「用 AI 替人眼看」——能上的厂基本都上了。
但用起来的厂很快发现：只拦缺陷，AI 质检的天花板很低。缺陷是结果，原因是工艺。把缺陷当成终点，产线只是多了一个昂贵的筛子——坏品拦下来了，下一个批次照样坏。
第二步：从挑毛病到找规律
有光伏组件工厂把这件事讲得很清楚：AI 质量管控系统上线后，团队不再是「发现缺陷再拦截」，而是看着数据找规律——哪个工艺参数在漂、哪道工序反复出问题，提前调整。这套系统先后优化了温度、压力、精度等 12 项关键工艺参数，单厂每年节省约 300 万元；方案已被十余家同行取经，成熟算法与实施经验推广到了五十余家光伏企业。
钢铁行业的数字更硬：AI 视觉对钢板表面缺陷的识别率不低于 99%，而价值更大的动作是把检测异常与工艺参数联动起来，让检测数据参与调优，而不是停在质检报告里。设备检修也从定期转向预测性，参数到了预警值再动手。
参数联动的三块拼图
- 检测数据结构化：缺陷类型、位置、批次、机台入库，不是截图文件夹；
- 与工艺参数对齐：同一时间轴上，把缺陷检测结果与温度、压力、速度等参数做关联分析；
- 闭环写回：异常触发工艺参数校验工单，处理结果回写，形成「检测—归因—优化—验证」的循环。
这三块拼图里，第一块和第三块都是 MES 的活。AI 质检要走得远，先得让检测数据有地方住、住得规整——这是很多工厂上视觉系统之前没想清楚的一环。
我们在轮廓公差检验项目里的做法就是这个思路：超差点位直接指到齿位，检测数据与加工参数同屏对照，操作工当场就知道该调哪一轴；类似的数据闭环在储能电池包 EOL 检测里也复用了一遍。AI 负责看得细，MES 负责把看到的东西变成可执行的动作。
QQ:874059561