电池厂AI视觉质检：漏检率从3%压到0.3%的七步落地指南

锂电产线跑起来，最怕的就是"坏电池混进了良品里"。一条全自动卷绕线一天少说过几万只电芯，检测员两班倒盯屏幕，眼睛一花，瑕疵就漏过去了。等电芯装进电池包上了车，再出问题就是整车召回，那账可就不是几万块的事了。

这篇文章就讲一套在真实电池工厂跑通了的AI工业视觉检测系统——从选型到上线，中间踩了什么坑、改了哪些参数，我尽量掰开揉碎讲清楚。

先交代背景：这是华东一家做动力电池PACK的工厂，3条产线，之前靠人眼加传统2D相机做外观质检，漏检率长期在3%上下浮动，退换货和客诉一年吃掉不少利润。他们想换，但预算不宽裕，也不想一上来就上几百万的整线方案。

第一步：先搞清楚自己要检什么，别急着买相机

AI视觉不是"装个摄像头就能识别缺陷"。你得先把自己要检的缺陷清单列出来：是极耳折弯、外壳划痕、焊缝气孔，还是隔膜褶皱、贴胶偏移？缺陷的形态、颜色、大小、出现频率，直接影响你选光源和算法。

他们当时列了13类缺陷，然后按"高风险高频率"排序，先砍到5类主力缺陷试点。这个取舍很重要，贪多嚼不烂。

第二步：选工业相机和光源，这条最容易花冤枉钱

光源比相机更决定成败。金属表面的划痕和反光，用普通白光打出来全是白花花一片，模型根本学不到特征。我们用低角度环形光 + 同轴光组合，把划痕的立体感"照出来"，再把反光压掉。

相机分辨率按你的最小缺陷尺寸算，原则是"最小缺陷至少要占十几个像素"。他们检的最小缺陷是0.3mm的划痕，视野约150mm×100mm，最后选了500万像素工业面阵相机，跑30帧/s，够用。

第三步：采集和标注数据，这块工作量大得超预期

这是整个项目里最磨人的一关。模型再牛，喂进去的样本质量不行也是白搭。建议至少各采集300~500张每类缺陷的正负样本，且要覆盖不同的来料批次、不同的光照波动。

标注的时候，规则一定要写死：什么叫"划痕"，多长的算？和"压痕"怎么区分？标注不规范，后面模型怎么训都别扭。他们发动质检老员工一起标，标准统一后才开始训。

第四步：模型选型与技术栈，别被"大模型"三个字带偏

说句实在话，工业质检场景，小模型比大模型更合适。缺陷检测本质上是个分割/分类任务，不需要生成能力。我们用的是经典的分割网络加一个轻量分类头，做两段式：先定位异常区域，再判断缺陷类别和等级。

部署推理用GPU卡做边缘计算，单张卡能同时跑4路相机，延迟控制在50ms以内，完全不影响产线节拍。这里提一嘴，如果你也有类似的AI项目定制需求，架构选型阶段最值得找有经验的人把关，能少走很多弯路。

第五步：训练和调优，盯着漏检率而不是准确率

工厂老板不看什么mAP、F1，只看一句话：该拦下的烂货有没有漏掉，好货有没有被误杀。所以训练时我们用了一个不平衡加权损失，把漏检（假阴性）的权重拉高，宁可多报几个可疑的，也别让瑕疵溜过去。

他们第一个版本就能把漏检率压到0.8%，但误检率高达12%，产线天天跳红灯，工人烦得不行。后来把置信度阈值、非极大值抑制的参数来回调，又加了"疑似区域二次复核"的人机协同流程，才把误检率压到合理区间。

第六步：人机协同，这是落地最容易忽略的一环

别指望上线第一天就全自动化。我们设计了一个"疑似缺陷二次确认"的工位：AI标记的可疑区域，由人眼快速复核。这样既保住了AI的高效率，又留了人工兜底，工人的抵触情绪也小得多。

事实证明这步太关键了。没有它，算法一误报，产线就停，老板第一反应就是"这玩意不靠谱"，项目直接黄。

第七步：效果量化与持续迭代

上线三个月后跑出来的数据是这样的：漏检率从3%压到了0.3%，误检率控制在2%上下，原本盯屏幕的4个检测员撤了2个去做别的工序，单线每天多释放几十个人工时。

但AI质检不是上线就完事了。缺陷形态会随工艺调整变化，所以要保留一条持续收集错例、定期重训的闭环。他们现在每季度用新数据微调一次模型。

说句掏心窝的话

这套系统的总投入没到很多供应商报的"天价方案"的一半，关键在于找准了需求、稳扎稳打地分步落地。AI视觉在国内制造业远没到"卷不动"的程度，反而是很多中小厂想上又不敢上，卡在不知道从哪下手。

如果你也在琢磨产线质检、或者别的生产环节怎么用AI降本增效，欢迎来智岳科技聊聊，我们可以根据你的实际产线情况给点实在的建议。