一家电子厂的产品检测工位上视觉检测系统正对着产线上鱼贯而过的电路板拍照。每块板子经过系统在 200 毫秒内判定 OK 还是 NGNG 的直接被机械臂拨到回收箱。这个系统以前跑的是传统视觉检测算法。质检工程师花了两周时间手工调了四十几个参数——焊点直径的上下限、元器件偏移的像素阈值、颜色偏差的容差范围。上线之后效果还行检出率大概 70%。三个月后工厂换了一批新产品。新产品的电路板布局变了焊点大小变了元器件颜色也变了。工程师又花了两周重新调参。质检主管受不了了找了一个做 AI 的团队换了一套基于深度学习的视觉检测方案。训练数据就是过去半年的产品图片——几万张 OK 品和几千张各种缺陷的 NG 品。训练了不到两周系统上线检出率提到了 95%。最关键的是换新产品的时候不需要手工调参了只要拿新产品的数据重新训练一轮就可以上线。这不是科幻是大量的工厂里正在发生的事。先说清楚一个定位问题聊工厂 深度学习之前得先把一个最常见的误区讲清楚。很多人一听到AI 进入工厂脑子里想的是机器人全面替代工人、全自动化无人工厂。这个设想离现实还差着几十年。在真实的工厂里产线自动化的主力是 PLC可编程逻辑控制器——这个东西已经稳定可靠地跑了几十年。PLC 的逻辑非常确定传感器输入 1控制器执行动作 A机械臂移动到坐标 B。每一步都精确、可预测、毫秒级响应。深度学习的定位完全不一样。它不是在和 PLC 抢饭碗而是在干 PLC 干不了的事情。什么东西 PLC 干不了答案是需要判断而不是执行的事情。PLC 知道电机温度超过 85 度就停机但 PLC 不知道现在才 78 度但这个升温速度不太对劲。PLC 知道这个螺丝孔偏了 0.5 毫米算 NG但 PLC 不知道这条划痕虽然位置奇怪但看起来不像是正常磨损。这些看起来不太对勁的判断恰恰是深度学习擅长的领域。下面按 4 个具体的产线场景拆开看。场景一视觉检测与缺陷识别传统方法为什么不够用了传统机器视觉检测依赖规则。你告诉系统焊点的面积在 XX 到 YY 之间算 OK超出就是缺陷。这个方法在产品品种少、产品量大、缺陷类型固定的场景下很好用很多工厂已经用了十几年。但它有一个致命的弱点换了产品规则就要重新设定。而今天的制造业越来越多是多品种、小批量的模式——一条产线可能上午生产 A 产品下午就换 B 产品。每次换线传统视觉检测的调参工作量就让质检工程师头皮发麻。另一个问题是有些缺陷是你写不出规则的。一块金属铸件表面的细微裂纹有的深、有的浅、有的弯弯曲曲——你怎么用几个参数把裂纹描述清楚写不出来。但一个有经验的质检员看一眼就知道这块有裂纹。深度学习怎么解决深度学习的视觉检测做法完全不同。不设定任何规则。把大量标注过的产品图片这张是 OK这张是 NG缺陷是划痕这张是 NG缺陷是缺料喂给模型让它自己学习什么样的图像特征是缺陷。训练好了之后给它一张新的产品图它在毫秒级内给出判断OK或者 NG 缺陷类型。优势在哪适应性强。换产品了拿新产品的数据重新训练就行不需要手工调几十个参数。能识别规则写不出来的缺陷。划痕、色差、气泡、缩水、变形——这些在规则系统里难以精确描述的缺陷深度学习可以识别。准确率持续提升。用实际产线上的检测结果作为反馈不断补充训练数据模型的检出率会越来越好。实际的落地方式是在产线的关键检测工位上装工业相机 边缘计算盒子推理在本地完成不依赖云端的网络延迟检测结果实时输出到分拣机构或者报警系统。现实约束说句实在的深度学习视觉检测也有不好搞的地方冷启动需要大量标注数据。一个新产品上线没有几千张标注过的图片模型效果上不去。对光照和环境敏感。产线上的灯光变化、相机角度微调都可能影响检测效果。需要做环境标准化和定期校准。误判的代价。工厂对误判的容忍度非常低——把 OK 判成 NG误报浪费一个产品把 NG 判成 OK漏检流出去的可能是质量事故。两头的压力都在。场景二设备预测性维护 —— 从定期修到按需修传统维护模式的问题工厂里关键设备注塑机、冲压机、空压机、电机的维护模式目前大多数还是两种坏了再修或者定期保养。坏了再修的问题显而易见你永远不知道设备什么时候会坏。如果是普通设备坏了换一台备机就行。如果它是一台单点设备——整条产线就这一台它一坏全线停——那一次非计划停机可能就意味着几十万甚至上百万的损失。定期保养好一些但也不够聪明。你按照固定的时间表去换轴承、换皮带、换润滑油很多时候是在过度维护——设备状态还好好的你就换了浪费。而且有些故障不是到时间了才坏的模式而是突发的定期保养防不住。深度学习怎么介入核心原理不复杂设备在出故障之前运行状态其实会有微小的变化。振动频谱的某个频率开始升高、电流波形的某个模式开始偏移、温度曲线出现不正常的波动——这些前兆肉眼不一定能看出来但深度学习模型可以。在设备的关键部位轴承座、电机外壳、管道接头装振动传感器和温度传感器数据持续采集送到深度学习模型。模型学习的是正常运行模式和故障前兆模式的区别。当模型检测到当前运行数据出现了故障前兆的特征时不等设备真正坏了提前发出预警告诉你这台设备的轴承大概还有 3-5 天就会超标建议在下一次计划停机窗口更换。这就是把被动维修变成了主动维护。落地的难点最大的难点不是算法是数据采集。很多工厂的老设备——尤其是运行了十年以上的——根本没有传感器接口或者只有非常有限的几个参数能采。给老设备加装传感器需要投入和时间而且不能影响正常生产。另一个难点是不同型号、不同工况的设备故障模式不一样。你不能拿一台注塑机的模型去预测一台冲压机的故障。这意味着每个品类、每个型号的设备都需要积累自己的训练数据。场景三工艺参数优化 —— 把老师傅的经验变成数据工艺参数调优的隐性知识在很多传统制造业里工艺参数的调整靠的是老师傅的经验。一台注塑机料筒温度设多少、注射压力多大、保压时间多长——这些参数直接影响产品的外观和强度。一个干了二十年的老师傅走到机器旁边听一听声音摸一摸模具温度看一眼产品表面的光泽度就知道该调哪个参数、调多少。问题是人不能复制。这位老师傅退休了或者跳槽了他的经验就带走了。下一个操作员可能需要几个月甚至更长时间才能积累出类似的判断能力。深度学习怎么做做法不复杂——把老师傅的经验数据化。把每一次生产的数据都记录下来原材料批次、环境温湿度、设备工艺参数、产品质检结果。积累到足够多之后用深度学习模型学习一个映射关系——什么样的原材料 什么样的环境条件 什么样的参数设置 → 什么样的产品质量。模型训练好后逆向使用给定今天的原材料批次和当前环境条件模型输出最优工艺参数建议——料筒温度多少、压力多少、保压时间多少。这不是在替代老师傅。真正的用法是把老师傅的经验数字化、可复用。老师傅调出来的最优参数系统记录下来成为模型的训练数据。新来的操作员按照模型的建议去设置参数起步就是老师傅的水平。更进一步模型可以在生产过程中实时微调参数——原材料批次切换时自动调整温度设定、环境温度变化时自动调整冷却时间。这种在线自优化是人力做不到的。场景四AGV 调度与物流优化工厂里几十台 AGV自动导引小车在产线间穿梭给工作站送料、把成品运到仓库。传统调度算法多基于固定规则——最近的那台 AGV 去接任务优先级高的任务先分配——在简单场景下可以工作但在复杂产线多任务、多路径、动态优先级里规则很容易陷入局部最优。深度强化学习解决调度问题的思路是在一个模拟的数字孪生环境中让 AI 自己玩调度这个游戏。每完成一个任务给奖励AGV 互撞扣分任务超时扣分。经过几十万次甚至上百万次的自我博弈训练模型学到的调度策略往往比人工设计的规则更优。实际落地时可以把强化学习模型部署在调度服务器上根据实时产线状态动态分配任务和规划路径。落脚深度学习在工厂里的真实定位实话实说工厂场景里的深度学习不是来革命的是来填位的。PLC 做确定性的控制——该什么时候启动、什么时候停止、移动多少距离一分一毫都不能差。深度学习做不确定性的判断——这个产品看起来有没有问题、这台设备运行状态正不正常、这组参数是不是最优的。两个东西是互补关系不是替代关系。很多工厂落地的时候纠结要不要用 AI 替代现有系统这个问法本身就偏了。正确的问法是现有系统里有哪些靠规则搞不定、靠人来搞又太慢的环节这些环节才是深度学习真正的用武之地。当然我也不灌迷魂汤。工厂场景对误判的容忍度极低——一个错误的质量判断可能意味着退货和索赔一个错误的预测维护建议可能意味着无谓停机。这个现实意味着深度学习在工厂里要大规模普及还有很长的路要走。目前的定位是先落地到人辅助 AI 判断的场景AI 出建议、人确认而不是AI 替代人直接做决策。路要一步一步走工位要一个一个攻。这是工业领域的基本节奏急不来。15 年数字孪生老兵跑过大量智慧工厂项目。不吹 AI 万能、不编数据、不画饼。每周分享一线实战观察欢迎关注。