去年我在国内某主流主机厂的冲焊车间蹲了八个月，跟团队一起啃下了第一条智能质检量产线。踩的坑比吃的外卖还多。今天把实际落地的核心要点扯一扯，给准备上项目的同行提个醒。
摘要：本文针对汽车冲压件智能质检落地过程中的常见问题，结合实际量产项目经验，从数据集构建、硬件选型、体系合规三个核心维度分享落地经验，给出可复用的踩坑总结和选型建议，适合准备布局智能质检的中级工程师参考。
别迷信模型准确率，数据集才是卡死项目的第一道坎
很多人对接AI供应商，上来第一句就是“你模型准确率能做到多少”。对方拍胸脯说99.5%，皆大欢喜，拉去产线一跑，直接拉胯。
问题出在哪？训练集都是挑出来的完美样件，拍的时候灯光调好，工件摆得周周正正，不良都是最典型的大裂纹大缺料。真实产线是什么样？冲压件每天都有新的浮锈，模具磨损后批次性的尺寸飘移，冬天车间开灯和夏天不开灯的照度差出两个量级，还有冷却水喷到工件上的反光，工人摆工件歪个三五度，这些杂况，90%的初期数据集都没覆盖。
我见过一个项目，初期数据集里90%都是良品，不良样本只占10%，还是几十个人挑了半个月挑出来的最典型缺陷，那种若隐若现的隐裂、浅压痕，连一百个样本都凑不出来。按照GB/T 2828.1-2012计数抽样检验的要求，批量生产的最低样本量都不止这点，做智能质检怎么就敢拿几百个不良样本训模型？
说实话，我们最后为了凑够不同程度的隐裂样本，特意申请了一块磨钝的旧模具，连续冲压了三天，攒了三个月，才凑够1200多个不同磨损程度的隐裂样本，才把漏检率压到可接受的范围。
还有一个坑，别把不同工位的不同工件混在一个数据集里训。侧围外板的缺陷都在型面大平面，翼子板的缺陷多在翻边转角，特征完全不一样，混训出来的模型，实验室测准确率看着高，实际上线分分钟把正常的翻边圆角当成缺料报异常，折腾死你。
硬件选型的权衡：别追求最贵，要适配产线节奏
很多甲方做预算，一开始就想上8K线扫，加3D视觉重构，一套硬件百万起步，最后发现产能跟不上节拍，还得拆了改，钱全打了水漂。
我们当初做车门内板的智能质检，需求很明确：要检测表面裂纹、压痕、缺料三种主要缺陷，厚度公差有之前的工序控，不需要智能质检做厚度检测，节拍要求跟上游冲压线匹配，每分钟至少出3件。我们纠结了半个月，最后放弃了线扫方案，选了2台500万像素的面阵工业相机，配合环形+条形组合打光，总成本只有线扫方案的三分之一，单工件检测时间控制在200ms以内，完全跟上节拍。
这里说个很多新手不知道的干货：打光比相机分辨率重要一百倍。我见过项目用了4台8K相机，打光不对，金属表面的反光直接把隐裂盖住，模型根本识别不出来，最后换了打光方案，准确率直接涨了8个点。针对冲压件的金属表面，一定要用漫射环形光打正面，侧面加低角度条形光补缺陷轮廓，把缺陷和背景的对比度拉出来，比你换更高分辨率的相机有用太多。
还有定位，别贪贵上机械定位夹具，不仅节拍慢，还容易卡工件，我们用的是2D视觉基准角匹配，只要工件摆在指定范围内，正负5度都能自动纠正，跑了一年多，定位出错率不到万分之一，香得很。
最坑的一个教训：环境防护一定要做足。冲压车间到处都是油水和金属碎屑，我们一开始图省事，省了几千块的密封防护罩钱，半个月就因为镜头糊了停线擦，后来重新做了带压缩空气吹扫的密封罩，再也没出过这问题。懊恼得很，这点小钱真不能省。
过体系审核：智能质检的合规性怎么搞定
汽车行业都按IATF16949走质量体系，很多智能质检项目死在上线前最后一步，就是过不了体系审核。你说你智能质检好用，拿出证据来啊？漏了谁负责？出了问题能不能溯源？很多AI供应商卖方案的时候根本不考虑这些，最后钱花了，线不敢开，太冤。
我们当初的做法其实很简单，连续跑三个月平行验证：智能质检全检一遍，再安排原有的质检人工全检复判，连续跑够十万件，统计出来漏检率0.02%，误检率1.2%，比原来人工质检0.15%的漏检率好太多，直接拿数据说话，审核老师根本挑不出毛病。
然后是记录保留，每个检测结果都要存原始图、推理结果、判断标签，至少存满三年，符合体系的记录要求，出了问题随时可以调出来溯源。还有误报的处理流程，我们设计的是所有误报工件自动流到复检工位，人工确认后，新的缺陷样本直接归入数据集，每个月更新一次模型，越用越准，形成闭环。
智能质检不是摆给投资人看的黑科技，落到产线上就是拼细节，拼你对实际生产场景的理解。
不用上来就全车间改造，先找缺陷最稳定、人工最容易漏的工序跑通一个工位，验证好了再慢慢扩，比贪大求全靠谱多了。很多工厂想降人工成本，其实门槛没有想的那么高，把该踩的坑提前避开，成功率能高很多。
