客户与痛点

该企业为多家头部整车厂供应精密连接器与传感器，年出货量超过 8 亿件。外观质检长期依赖 40 余名目检员，随着产能爬坡，质检岗位流失率高达 35%，新人培训周期需要 3 个月，漏检率波动在 1.5‰-3‰ 之间，多次收到主机厂的质量警告。

方案设计

项目团队在两周的现场蹲点中梳理出 14 类主要缺陷形态，确定了「先关键工序、后全面铺开」的实施策略。首条产线采用「高速相机 + 深度学习算法 + 自动分拣」方案：产品通过检测工位仅需 0.4 秒即可完成 6 个面 32 个检测项的判定，缺陷图片自动归档并同步到质量追溯系统。

实施过程的关键点

• 样本共建：由 3 名资深质检员与算法工程师组成标注小组，用两周时间完成 2 万张缺陷样本的采集与标注，确保小样本建模的精度起点。
• 灰度切换：前两周采用「AI 初检 + 人工复判」模式运行，用人工判定持续校准算法阈值，达到 99.5% 准确率后才切换为自动分拣。
• 持续迭代：建立产线复判回流机制，每周迭代一次模型，针对新出现的缺陷形态 3 天内完成补充训练。

项目成果

• 6 条产线全部实现 AI 质检，漏检率稳定在 0.2‰ 以下，较人工时代下降约 90%。
• 质检人力从 40 余人优化至 12 人，转岗人员经培训后充实到质量工程与工艺改善岗位。
• 缺陷数据 100% 结构化沉淀，推动上游模具与注塑工艺完成 23 项改进，缺陷发生率整体下降 31%。

客户评价

「过去质量靠人盯，现在靠数据说话。客户来审核时，我们的缺陷图谱和闭环记录让审核员非常认可。」——该企业质量总监