制造业质量检测是产品出厂管控核心环节，传统人工目检存在疲劳漏检、人力成本高、判定标准不统一、无法实现全流程数据追溯等短板；传统机器视觉依赖固定阈值、模板匹配规则，仅适用于规则尺寸、简单有无类缺陷，面对划痕、凹凸、褶皱等无固定形态异形缺陷识别能力不足。

近年来基于深度学习的AI视觉检测快速普及，但主流方案存在两大瓶颈：

1）技术层面：纯深度学习模型依赖海量标注缺陷样本，小批量、多型号、长尾缺陷产线适配性差，推理算力成本高；

2）工程交付层面：多数设备厂商缺乏标准化售前需求评估流程，客户缺陷标准模糊、产线工况未前置验证，导致项目调试周期长、指标无法达标、交付失败率偏高；且视觉设备多为独立单机，质检数据无法与工厂生产、仓储、信息化系统联动，难以形成质量改善闭环。

上海埃数智能科技有限公司同步布局工厂数字化软件与AI机器视觉软硬件一体化业务，自研AEXSURE工业AI视觉检测平台，针对行业现存痛点形成双重创新体系：

1）技术创新：构建传统视觉预处理+深度学习特征判别+规则后处理过滤三级融合算法架构，兼顾检测精度、运行速度与样本适配能力；搭建端云协同数据管理平台，实现人机协同模型持续迭代；

2）工程交付创新：建立六层商机漏斗判断模型、百分制商机分级评价体系，从项目源头前置评估可行性，配套标准化调研、测试、分阶段落地流程，大幅降低项目交付风险；

3）业务协同创新：视觉系统原生对接PLM、MES、WMS、PLC等数字化平台，打通质检数据与生产全业务链路，实现缺陷追溯、工艺改善、来料管控一体化。

1 AEXSURE平台

AEXSURE系统整体分为四层：光学成像硬件层、融合算法引擎层、边缘实时推理层、云端数据管理与业务协同层，配套标准化售前验证与现场实施流程，形成完整闭环体系。

1.1 多算法融合引擎模块

平台摒弃单一算法路径，模块化集成五类核心算法，通过级联调度实现不同缺陷场景最优匹配，各模块功能与适用场景如下：

1）图像分割算法模块

融合深度分割网络与形态学、阈值分割传统算法，自动完成不定型缺陷像素分割，量化缺陷面积、长宽、位置坐标；适配电池箔、超纤布料、光学透镜等纹理复杂、缺陷轮廓无固定规律工件，解决单一阈值分割易受表面纹理干扰的问题。

2）目标检测识别模块

采用“传统算法粗定位+AI精细判别”两级架构：依托边缘检测、模板匹配快速锁定检测ROI区域，缩小推理计算范围；再通过卷积神经网络识别表面瑕疵、零件漏装、装配错位等问题，平衡高速产线检测时效与识别精度。

3）特征分类算法模块

融合CNN特征提取与灰度直方图、色彩空间转换传统算法，完成产品等级划分、色差分类、瑕疵严重程度定级，适用于五金冲压件、塑胶件分级质检场景。

4）OCR/码读识模块

集成畸变校正、反光抑制、图像增强预处理算法，少量样本即可完成复杂喷码、铭牌字符、一维/二维码识别，字符识别准确率可达99.99%，可自动匹配工单序列号，支撑单品全生命周期追溯。

5）精密尺寸测量模块

基于亚像素边缘、卡尺测量、轮廓匹配规则算法，实现孔径、孔距、偏移量微米级测量，算力消耗低、检测结果可复现，弥补深度学习尺寸测量解释性差、精度不稳定的短板。

1.2 标准化技术落地流程

系统实施严格遵循标准化技术流程：实验室光学打光试验→OK/NG样本采集标注→算法框架定制设计→AI模型训练压缩→边缘工控轻量化部署→产线在线检测→云端人机协同迭代。

1）前置光学验证：针对反光、透明、黑色、高纹理工件，配套环形、同轴、线扫、偏振多类型光源，在实验室完成成像效果测试，统一图像采集基准，从源头降低噪声干扰；

2）样本分层采集：同步收集产线真实合格品、各类不良缺陷样本，上传云端平台统一分类标注；客户样本不足时支持现场在线采图，降低项目启动门槛；

3）边缘轻量化部署：训练完成模型进行量化、剪枝轻量化处理，部署线边本地工控机，实现毫秒级实时推理，无需依赖云端算力，适配高速流水线节拍；

4）人机协同迭代机制：系统自动输出存疑缺陷图像，现场质量人员人工修正缺陷类型、判定结果，标注数据同步回传云端持续优化模型，长期降低漏检、过检比例。

1.3 端云一体化数据协同平台

配套云端设备监测与质量数据管理平台，实现质检数据全链路打通，核心功能：

1）图像与数据绑定存储：自动关联各相机采集OK/NG图像，绑定产线编号、工位、生产时间、产品SN、缺陷类型、缺陷坐标；

2）可视化人机交互：实时产线画面预览、历史缺陷检索、批量数据统计；内置标准化缺陷名称下拉菜单，简化现场人员标注操作；

3）多系统互联互通：原生支持对接PLC、MES、ERP、WMS，可联动产线实现声光报警、不良品自动剔除、停机管控；缺陷数据自动回传生产系统，生成班次、批次、产线质量报表；

4）远程运维监测：云端实时监控设备运行状态，跨厂区质量数据汇总分析，支撑SQE开展不良根源分析与工艺优化。

2 项目标准化售前风控与全生命周期交付体系

行业多数视觉项目交付风险来源于前期需求模糊、可行性未验证，埃数智能建立可量化、标准化商机评估与交付流程，作为项目准入硬性规范。

2.1 六层商机漏斗前置评估模型

获取客户线索后依次完成六维度可行性校验，任一维度信息缺失或不满足落地条件则暂缓资源投入：

1）业务痛点真实性：确认客户存在人工成本高、批量漏检、客诉返工、全检追溯等真实质量压力；仅技术调研无落地需求的商机优先级下调；

2）检测对象清晰度：明确产品品类、材质、尺寸、表面状态、型号数量、检测面、产品运动姿态；多品类无聚焦、姿态完全随机无治具约束为高风险项；

3）缺陷定义完整性：客户需提供缺陷清单、OK/NG判定标准、缺陷实物或样图；无法界定缺陷边界、无判定标准的项目不盲目承接；

4）样本数据支撑条件：确认客户可提供样品、允许现场采图、安排人员配合标注迭代；无样品且禁止现场采集则不承诺检测指标；

5）产线现场实施条件：评估安装空间、产线节拍、粉尘/高温/强光等干扰、是否允许加装硬件与小型改造；空间狭小、禁止改造、节拍超限为重大风险；

6）技术指标合理性：区分核心必检缺陷与次要缺陷，不承诺100%零漏检、零过检极端指标，指标需结合样品与成像测试结果量化确认。

2.2 百分制商机分级评价标准

总分100分，六大维度权重分配：痛点明确度20分、检测对象清晰度15分、缺陷定义清晰度20分、样本数据条件15分、现场可实施性15分、项目推进条件15分。依据得分划分三类商机，匹配差异化售前资源投入策略：

1）绿色商机（≥80分，重点跟进）：痛点清晰、产品与缺陷标准完整、样品充足、现场改造条件良好、具备预算与项目负责人；快速开展样品打光测试、现场勘测，输出完整解决方案；

2）黄色商机（60~79分，谨慎培育）：存在业务痛点，但缺陷标准、样本、现场工况部分信息缺失；暂缓正式报价，通过标准化需求问卷补齐信息，安排小范围样品验证；

3）红色商机（≤59分，低优先级）：无明确检测对象、无法定义缺陷、无样品且禁止采图、无预算与项目推进计划；仅维持客户关系，不投入大量售前技术资源。

2.3 七步标准化全生命周期交付流程

1）商机筛选评估：销售人员采用漏斗模型+百分制评分完成商机分级，匹配对应售前资源；

2）需求全维度澄清：通过标准化调研问卷收集业务、产品、缺陷、产线、指标、系统对接、商务全维度信息，形成销售转售前交接文档；

3）可行性双重验证：实验室样品打光成像测试+产线现场实地勘测，输出可行性评估报告；

4）分阶段方案设计：划分一期核心缺陷检测、二期拓展缺陷迭代，合理界定检出率、误报率等技术指标，杜绝夸大性能承诺；

5）现场硬件集成部署：完成相机、光源、工控机、传感器、剔除机构安装，配套遮光、定位治具改造；

6）现场模型训练与调试验收：采集产线真实样本完成模型训练，适配产线节拍与产品姿态，完成阶段性验收；

7）长期迭代运维服务：开放人机复核标注通道持续优化模型，定期输出质量分析报表，提供年度系统升级与运维支持。

3 多行业工程应用案例与性能验证

AEXSURE采用模块化设计，可在原有产线加装检测模块，无需大规模产线重构，同时支持离线独立检测工作站部署，已规模化应用于新能源锂电、汽车零部件、光学精密件、超纤卷材四大典型场景。

3.1 新能源锂电：电池底座/电芯在线检测方案

1）产线工艺流程：电池盖翻转工位→读码工位→电芯图像采集工位→电池底座缺陷检测工位→不良品下线堆垛；

2）检测内容：壳体划痕、凹坑、焊接瑕疵、漏液痕迹、电芯漏装、序列号读取校验；

3）技术方案：光电传感器触发相机同步抓拍，绑定产品SN与缺陷图像；设置人工二次复核工位，针对过放电等隐性缺陷配套辅助检测工具，复核数据持续迭代模型；

4）应用价值：实现电芯全检全追溯，提前拦截壳体不良，规避电池安全隐患引发的客诉与批量召回损失。

3.2 汽车零部件多场景检测应用

1）汽车纵梁冲孔线扫检测

采用线扫相机适配长型材连续运动工况，识别漏冲孔、孔位偏移、孔径超差、边缘毛刺；缺陷触发声光报警，联动产线停机拦截不良，解决大型钢结构反光、人工无法全覆盖检测难题。

2）汽车尾标装配SOP校验

400W60fps高帧率变焦相机，采用“定时截取+触发截取”双策略过滤模糊无效帧；经图像去噪、畸变校正后轻量化模型实时推理，识别尾标漏装、装反、错位，杜绝装配不良流出。

3）传动链成品瑕疵检测

可识别跳片、漏铆、死结、齿部磨损等15\20类外观及功能缺陷，覆盖60\80种缺陷表现形式；项目实测综合检出率≥99.9%，误报率≤2%；检测数据同步上传车企MES，支撑不良批次溯源与工艺改善。

3.3 雷达光学透镜高精度检测

雷达透镜属于高反光精密光学元件，微小划痕、凹凸点人工识别难度高。项目累计采集248件缺陷样本开展长期在线验证，系统整体综合检出率98.39%，无系统性过检；单一划擦、凹凸类标准缺陷经持续人工迭代后检出率稳定100%，满足精密零部件严苛出厂质检指标。

3.4 超纤卷材高速表面缺陷检测

适配30m/min高速卷材生产线，最小可识别0.5mm×0.5mm微小瑕疵，覆盖冲孔错位、刮痕、折印、铁锈、漏冲孔等十余类缺陷；系统缺陷检出率＞95%，误报率＜5%；配套喷墨打标机构，缺陷纵向标记误差控制在5cm以内，便于后道工序精准剔除不良面料。

4 AEXSURE系统竞争优势

4.1 算法融合架构平衡精度、速度与样本门槛

区别纯深度学习厂商对海量缺陷样本的依赖、传统视觉厂商复杂缺陷识别能力不足的短板，三级融合算法架构实现优势互补：传统图像处理完成图像预处理、定位、降噪、尺寸测量，降低算力消耗；深度学习负责异形、多变体缺陷识别；后置规则引擎过滤虚警，控制过检率。少量产线样本即可启动项目，通过现场采图、人工标注持续迭代，大幅降低客户前期样本筹备成本。

4.2 标准化商机风控体系从源头控制交付风险

行业内多数视觉设备厂商无标准化售前评估流程，易出现盲目接单、指标无法落地、项目延期等问题。六层漏斗+百分制量化评分体系实现商机标准化筛选，配套统一调研问卷、交接模板、分阶段落地策略，严格限制不切实际的性能承诺；以实验室打光测试、现场勘测作为方案设计前置条件，从商业端减少项目返工与资源浪费，提升落地成功率。

4.3 视觉与工厂数字化原生协同，消除质量数据孤岛

市面多数视觉设备为独立单机系统，质检数据无法融入企业生产管理体系。依托企业自研PLM/MES/WMS/碳足迹数字化产品线，AEXSURE平台原生支持多类工业系统对接，实现设备控制、质量统计、库存管控、工艺分析数据互通；单一供应商同步提供视觉软硬件与工厂数字化整体方案，减少多厂商对接沟通成本，构建完整质量业务闭环。

5 工程应用价值与行业启示

5.1 制造企业落地应用价值

1）降本增效：替代人工全检工位，长期削减人力薪酬、管理成本；设备24h稳定运行，消除人工疲劳导致的漏检波动，提升检测产能；

2）质量风险管控：建立统一标准化机器判定标准，从源头拦截缺陷流出，大幅降低客诉、返工、报废、产品召回带来的经济损失；

3）质量数字化闭环：完整存储缺陷图像、批次、工位、人员数据，为质量部门开展来料管控、工艺优化、不良根源分析提供数据支撑；

4）产线柔性改造：模块化检测单元可直接加装于现有产线，无需大规模产线重构，适配多型号、高频换型离散制造场景。

5.2 工业AI视觉行业发展启示

国内工业AI视觉赛道已从单一算法参数比拼，转向算法技术能力+工程落地交付能力+数字化协同能力综合竞争阶段。本研究案例证明，仅依靠算法模型无法解决制造业复杂落地痛点，必须配套标准化售前评估、分阶段实施、人机迭代运维全流程工程体系；同时视觉检测不能孤立存在，需深度融入工厂生产数字化体系，才能充分释放质检数据价值。

对于制造企业选型智能视觉方案，除关注纸面检测精度指标外，需重点评估厂商样品验证能力、标准化需求评估流程、多系统数据对接能力；对于设备服务商，构建“技术+交付”双支撑体系，是提升项目交付成功率、形成长期市场壁垒的核心路径。

埃数智能

扫码注册 免费试用

6 结论

以上海埃数智能AEXSUREAI视觉检测平台为载体，构建深度学习与传统图像算法融合的检测技术体系，配套标准化商机漏斗评估、分级交付风控流程，打通视觉质检与工厂数字化管理系统数据链路，形成一体化工业智能质检解决方案。多行业工程案例验证，该系统可稳定识别微小、异形、低对比度工业缺陷，检测指标满足主流制造企业出厂管控要求；标准化售前与交付机制可有效降低项目落地风险，模块化部署方案具备良好产线适配性。

融合算法技术、标准化工程交付、全链路数字化协同三位一体的方案模式，有效解决当前工业AI视觉检测样本门槛高、落地失败率高、数据孤岛三大行业痛点，可为新能源、汽车零部件、新材料、精密光学等行业在线智能质检提供可复制、低风险的工程实施参考。后续可围绕多品类小样本增量学习、3D视觉融合检测、全工厂质量数字孪生方向开展进一步研究。