摘要：做机械加工的谁没遇到过尺寸漏检、瑕疵误判？传统人工检测快不起来，上了智能检测又经常卡壳误判？我跑了近十家不同规模的零部件加工厂，全程跟进过七个落地项目，踩过的坑比调过的参数还多，今天把实打实的一线经验掏出来。
为什么很多工厂的零部件智能检测都是伪落地
去长三角那家汽车零部件厂做技术支持的时候，我刚进车间就看到了那台落灰的智能检测设备。罩子上的油垢都结了一层。老板说，两年前花两百万跟风上的，号称能搞定所有转向节的外观和尺寸检测，结果跑了半个月，不良检出率才82%，还不如干了二十年的老质检，索性就停了。
这种情况真不是个例。我接触的项目里，起码六成上了智能检测的工厂，都或多或少碰到过类似问题。要么误判率高到生产部天天投诉，要么换个批次的零部件就彻底歇菜。
很多方案商上来就吹深度学习、大模型，吹准确率百分之九十九，忘了最核心的前提：你的零部件本身，一致性够吗？汽配锻压件，同一批次的轮廓偏差能到0.8mm，训练模型用的全是磨得光亮的标准合格样，实际生产出来的毛坯带氧化层、带飞溅，模型根本认不出来。这不扯吗？
全是伪需求，全是伪落地。钱花了，事没成。
落地必须迈过的三道坎
说实话，零部件智能检测根本没那么玄乎，核心就是把三个基础问题解决，大部分场景都能跑顺。
第一道坎是光源选型。我刚做项目那会，踩过这个大坑。检测抛光铝合金外壳的0.05mm浅划痕，一开始图便宜选了常规环形光源，结果高光把划痕全盖住了，误判率直接飙到32%。换了三家，最后换成10度低角度同轴光源，误判率直接降到1.2%。别小看光源，这玩意是智能检测的眼睛，眼睛瞎了，算法再牛也没用。
第二道坎是阈值与性能指标卡控。很多新手喜欢把合格阈值卡得特别严，觉得严点总比漏检好，结果过杀率超过15%，产线天天停，生产经理跳脚骂娘。按照GB/T 39116-2020 《智能制造 机器视觉检测 性能评价》的要求，稳定运行的零部件智能检测系统，过杀率必须控制在2%以下，漏检率低于0.1%，这个硬指标不能乱改。我现在做项目，一定会留整整一周的时间，拿产线真实产出的零部件跑数据，每天调一次阈值，慢慢找到过杀和漏检的平衡点，根本不存在什么训练完就能用的模型。
第三道坎是数据标注。很多工厂图省事儿，找几个实习生标个三五百张就交出去训练，结果实际生产里的各种异常情况——沾了切削液的、带了残留铁屑的、表面有正常加工刀纹的——全没标注进去，模型能认对才怪。去年做变速箱齿轮检测项目，我们前前后后标了一万两千多张样本，光异常样本就占了四千多，才把整体误判率压到0.8%以下。省那点标注的钱，最后赔进去的是产线停线的损失，怎么算都亏。
中小工厂怎么低成本玩零部件智能检测
不要听方案商忽悠，上来就要花几百万上整套定制系统。中小工厂大多是小批量多品种，完全可以走模块化搭积木的路线，成本能压到大厂方案的三分之一不到。
我去年认识浙江一家做通讯基站结构件的小加工厂，老板让自己厂里的机械工程师啃了半个月开源视觉框架，花不到八万搭了一套定制的智能检测系统，就针对他们厂产量最大的三种不锈钢壳体，检出率比人工高6个点，每个月能省三个质检工的成本，半年就回本了。这不比花大几百万买一套水土不服的现成系统香！
不过话说回来，中小工厂上这个，一定别贪多。先挑你产量最大、不良最容易出问题的一个零部件做，跑顺了，摸清楚规则了，再慢慢扩其他品类。还有最重要的一点，一定要拉车间的老质检进项目组，他们干了十几年，一眼就能分清楚什么是要报废的瑕疵，什么是不影响使用的正常刀纹，把他们的经验转换成标注规则，比一群算法工程师瞎标强一百倍。我见过最离谱的项目，整个团队全是计算机背景，没一个懂机械加工的，把正常的走刀纹全判成不良，能好用才怪。
结论
零部件智能检测就是个干活的工具，不是什么用来吹牛皮的工业4.0门面。你得贴合自己产线的实际情况，摸清楚自己零部件的脾气，踩过几个坑，自然就能跑顺，真真切切降本提效。那些炒得天花乱坠的概念，落不了地，都是空的。
