从 PoC 到产线，5 个真实坑
制造业 AI 视觉质检在 2026 年的现实是：技术成熟度足够，落地复杂度仍然劝退 80% 的 PoC 项目。本篇把从 demo 到上产线之间最常见的 5 个坑拉出来，配解决思路。
坑 1：PoC 数据 ≠ 生产数据
症状
实验室里 99% 准确率，产线一上线就掉到 70%。
根因
- 实验室用的是”挑出来的典型瑕疵图”，产线是连续流；
- 光线、焦距、传送带抖动、产品位置轻微偏移——这些在 PoC 数据里看不到；
- 异常类型（缺陷种类）远多于训练时枚举的那几类。
应对
- PoC 数据采集阶段就要在产线实地采 20000+ 张样本；
- 采集脚本需要覆盖光照变化、位置偏移、速度波动；
- 数据增强里要明确”工业噪声”维度；
- 把”现场一周”作为评估指标，不要只看”测试集准确率”。
坑 2：实时性被算力卡死
症状
PoC 用 GPU 服务器跑 50ms 推理没问题，产线上 PLC 要求 < 30ms。
应对
- 用专用推理硬件（NVIDIA Jetson / 华为 Atlas / 寒武纪）部署在产线附近；
- 模型蒸馏：把 PoC 模型压到原 1/3 大小；
- 架构简化：检测任务可考虑 YOLO 系而非两阶段模型；
- 分级处理：粗糙模型快速 pre-filter，精细模型只对怀疑样本精检。
坑 3：人工标注成本被严重低估
症状
招标时按 1000 张图估的钱，实施才发现要让工厂提供 10000+ 张分类标注 + 老师傅 review。
应对
- 引入半监督 / 自监督：先训一个弱模型用它自动标注，再用人工校对；
- 用 few-shot 模型：每个新缺陷只需几张样例；
- 让老师傅参与标注工具的 UI 设计，让他们”标注像挑刺”而不是填表；
- 把标注规范做成”视频教程 + 50 张标答对照”，降低培训成本。
坑 4：模型跟生产现场”脱钩”
症状
上线 3 个月后性能掉，因为产品迭代 / 设备老化 / 光源被工人调过 / 新品种引入。
应对
- 建立 Drift Detection：对比新数据分布与训练数据的差异，超阈值报警；
- 设置 持续标注流：每个新缺陷触发”上传 → 标注 → 重训”循环；
- 保留 Fallback 机制：模型置信度低时自动把人审接起来，不要让系统”硬判”；
- 运维要纳入 版本管理，模型 + 训练数据 + 标注规范三者打包成一个可以回滚的发布单元。
坑 5：业务方和工程方谈不拢 ROI
症状
工厂关心”每年省多少人 / 多少退货”，工程方摆模型指标。会议一年还在扯。
应对
- 立项前就要把”漏检率”和”误检率”换算成”每年召回费用 + 客户退货费用“两个财务数字；
- 设 明确的 KPI：漏检 ≤ 0.5%、误检 ≤ 3%；不到不收尾款；
- 建立 业务仪表盘：实时显示当日缺陷数、复检率、拦截批次；
- 把工程语言翻译成质量经理懂的”PPM / DPMO”——质量人用这套语言思考。
2026 年制造业 AI 落地的几个值得看好的细分
- 电池极片缺陷检测：高利润空间 + 集中化产线，回报周期最短。
- PCB AOI 升级：传统 rule-based AOI 误判多，AI 改造成本回收快。
- 焊点 / 装配质检：3D + 多目视觉方案成熟。
- 纺织品瑕疵检测：这块 AI 已经做到比人眼稳定的水平，是大量替代人工的成熟场景。
给项目负责人的最后一句
制造业 AI 落地的根本难题从来不是模型——是数据治理 + 现场工程 + 业务对齐。2026 年所有”模型准确率很高但产线不上”的失败，根因都在这三个里。
把 PoC 当作”立项根据”而不是”交付”，把产线稳定运行当作真正的目标——这是踩 5 个坑能换来的最大教训。
