直接答案：AI 质检不是“买台相机加算法”就能省人。它适合缺陷规则相对明确、批量大、节拍稳定、人工目检疲劳或漏检成本高的产线；是否值得上，取决于首年投入、年度运维、可量化质量收益，以及质检人力能否真正转岗或减少，而不是只看供应商演示的准确率。
本文面向制造业老板、质量/生产/IT 负责人和采购，资料截止 2026-10-25。公开案例来自政府场景清单和行业研究报告，属于企业自报或媒体转述，未做独立审计；ROI 算例为编辑测算，不是报价、不是效果承诺。具体项目应先用企业自己的缺陷、节拍和质量成本做 POC。
准确率不等于缺陷检出率；不能减少或转岗人力时，人工节省不能算现金；首年投入之外，还有每年的模型维护和重训。
制造业 AI 质检，哪些产线适合，哪些不适合？
适合缺陷规则明确、批量大、节拍稳定、人工目检疲劳或漏检成本高的产线；缺陷主观、批量小、换型频繁、成像不稳的产线，先别上。
AI 质检的核心不是“AI”三个字，而是把一个可重复的视觉判断变成稳定的检测流程。缺陷定义不清、成像条件不稳定、样本极少时，算法再先进也无法保证上线后的检出率。先把“适合/不适合”说清楚，比先选供应商更重要。
| 维度 | 更适合 | 不适合 / 先别上 |
|---|---|---|
| 批量与节拍 | 批量大、节拍稳定、希望从抽检走向全检 | 极小批量、订单频繁切换、检测节拍本身不固定 |
| 缺陷定义 | 外观划伤、裂纹、缺料、尺寸/装配等可用图像判定的缺陷 | “好不好看”等主观审美、需要触感/嗅觉/内部结构的判断 |
| 成像条件 | 光照、焦距、工装和触发位置可固定；产品姿态可控 | 强振动、油污/粉尘严重、反光不可控、产品姿态随机 |
| 样本与数据 | 有历史图片、缺陷分类和可追溯的质量记录 | 没有缺陷样本、缺陷定义经常变、无法保存检测图像 |
| 质量成本 | 人工目检疲劳、漏检客诉、报废/返工/停线成本可量化 | 只算“减少人头”，但产线编制不能减、人员也不能转岗 |
| 组织基础 | 质量、生产、IT 有共同负责人；能提供驻线时间 | 只有 IT 想上，质量/生产不参与；没人维护模型和现场成像 |
| 换型要求 | 品种少、换型慢，或愿意为快速换型投入工装 | 一天多次换型、没有快速标定/切换方案 |
判断表为编辑建议，不是行业标准；“不适合”指当前条件下失败概率高，不代表永远不能做，通常需要先补成像、数据和工装。
政策与市场也在推动这件事。工信部等八部门在《“人工智能+制造”专项行动实施意见》中提出推广机器视觉等工业质检技术，到 2027 年推广 500 个典型场景；工信部《智能制造典型场景参考指引（2025年版）》把“在线智能检测”“质量精准追溯”列为典型场景。IDC 2026-02-06 预测，到 2028 年中国工业企业 AI 支出接近 900 亿元、年复合增长率 38%，质量检查是其列举的工业智能体场景之一。这些是需求背景，不等于单条产线能回本。
公开案例能说明“可达到什么效果”，但不能直接复制。常州市发改委 2026 年第二批 AI+场景清单披露了两个制造案例：奥托立夫的爆破片激光焊接缺陷检测，用 5 万张图像训练，精度 97%，100 万件验证无漏检，单线年省 20 万元、节约用工 6 人；博瑞电力的电力装备工艺改善平台，检测效率提升超 50%，年省人工成本超 100 万元，漏检率降至 100PPM。
e-works 2025 年质量检测报告还披露：舍弗勒轴承 AI 视觉检测一天可检 8 万片、兼容 20 余种型号，检出率≥99.59%，节省人力成本约 80%；某电驱动企业用微亿智造方案，单设备可替代 8～10 个质检员，每年节省近 100 万元人工成本。以上均为公开案例，产品、样本和统计口径不同，不能直接横向比较，也不能当成对任何企业的收益承诺。
一条 AI 质检线，钱到底花在哪？
钱不只在相机和算法，还在光源/镜头/工装、边缘算力、数据标注、PLC/MES 集成、验收和年度运维；首年投入与后续运维要分开算。
AI 质检没有统一的“一条线多少钱”。同样是外观缺陷，相机数量、镜头、光源、工装、节拍、缺陷种类、接口和验收标准不同，报价可能差数倍。采购时不要只比“算法单价”，要按下面六块拆开，要求供应商逐项列明。
| 成本块 | 通常包含什么 | 最容易漏的点 |
|---|---|---|
| 成像与工装 | 工业相机、镜头、光源、支架、触发、夹具/传送改造 | 光源和工装常比相机更影响成像；现场振动、反光、油污没算进去 |
| 边缘算力 | 边缘 GPU/工控机、网络、存储、推理软件 | 多相机并发、模型升级、断网续传和散热 |
| 软件与模型 | 视觉平台许可、缺陷分类/检测模型、标注工具、模型迭代 | 罕见缺陷、换型、复检策略；只报“标准模型”不含现场调优 |
| 数据与标注 | 样本采集、清洗、标注、复核、合成数据、留出集 | 缺陷样本少、标注一致性差；供应商是否负责持续补样 |
| 系统集成 | PLC/IO、剔除机构、MES/ERP、质量追溯、报警和报表 | 接口协议、停机窗口、异常回流、批次/工单关联 |
| 验收与运维 | 影子运行、验收测试、年度重训、备件、现场支持 | 模型漂移、换型重训、相机清洁/校准、误检造成的停线 |
| 组织成本 | 质量/生产/IT 的驻线、评审、培训和变更管理 | 没人对缺陷字典和验收数据负责，项目容易变成“IT 项目” |
此表用于拆报价，不是价格表。首年投入通常包含成像、算力、软件、数据、集成和验收；年度成本至少要考虑运维、重训、备件和内部人力。
AI 质检 ROI 怎么算，才不会高估？
先把节省人工、减少报废/返工、减少客诉/停线和提升良率分开，再减年度运维与增量成本；回收期=首年投入÷年净收益，不能把人工和良率重复计算。
回收期 = 首年投入 ÷ 年净收益
3 年净收益 = 年净收益 × 3 − 首年投入
下面用一个假设算例说明，数字不是报价：一条线两班制，现有 4 名质检员，按全负担 12 万元/人/年；AI 上线后保留 1 名异常处理/复检，另 1 名转岗不视为现金节省，因此只按节省 2 个 FTE 计，人工节省 24 万元/年；报废、返工和客诉损失减少 10 万元/年；年度运维/重训 6 万元；首年投入按 60 万元假设。
| 情景 | 年毛收益 | 年运维 | 年净收益 | 首年投入 | 回收期 | 3 年净收益 |
|---|---|---|---|---|---|---|
| 人力不减 | 10 万元 | 6 万元 | 4 万元 | 60 万元 | 15.0 年 | −48 万元 |
| 保守 | 24 万元 | 6 万元 | 18 万元 | 60 万元 | 3.3 年 | −6 万元 |
| 基准 | 34 万元 | 6 万元 | 28 万元 | 60 万元 | 2.1 年 | 24 万元 |
| 乐观 | 46 万元 | 8 万元 | 38 万元 | 60 万元 | 1.6 年 | 54 万元 |
算例假设：首年投入 60 万元、年运维分别 6/8 万元、未计税费、折现、停线损失和内部项目人力；3 年净收益只做简单相加。实际项目应按报价、产能和质量成本重算。
这张表最重要的不是“2.1 年回本”，而是“人力不减”情景下 3 年净收益为负。如果 AI 只是让质检员从 4 人变成“4 人加一套系统”，人工节省就不能算现金；此时项目必须靠漏检客诉、报废/返工、节拍或全检覆盖率来证明价值。把这点提前说清，比在验收时争论“AI 到底省了几个人”更重要。
准确率 99% 就够吗？验收该看哪些指标？
不够。要看分缺陷类型的检出率/漏检率、误检/过杀率、节拍、稳定性、换型时间和人工接管率；总体准确率会被样本不平衡掩盖。
一个常见误判：1000 件良品加 10 件不良品，系统全部判良，准确率仍有约 99.0%，但缺陷检出率是 0。总体准确率不能替代分类型检出率，尤其是安全件、客诉件和批量报废件。
| 验收指标 | 定义 / 口径 | 验收注意 |
|---|---|---|
| 分类型检出率 | 每种缺陷被正确检出的比例（召回率） | 按缺陷类型和严重度分别看，不用一个总数替代 |
| 漏检率 / 逃逸率 | 不良品被判为良品并流入下道的比例 | 安全/客诉类可要求更严；用独立留出集验证，不看演示集 |
| 误检率 / 过杀率 | 良品被判为不良的比例 | 误检会造成复检、停线和报废，必须和检出率一起看 |
| 重复性 | 同一工件多次检测结果是否一致 | 换角度、换班次、重启后复测；不能只测一次 |
| 节拍 / 吞吐 | 单件检测时间、P95 响应、每小时产能 | 模型再准，节拍跟不上也不能上线 |
| 换型时间 | 换产品/换缺陷配方所需时间 | 多品种产线要单独验收，不能只测单一爆款 |
| 人工接管率 | 需要人工复判/干预的比例 | 接管率过高会把“自动全检”变成“人工加系统” |
| 追溯完整率 | 图片、结果、工单、批次、时间、操作员可关联的比例 | 与 MES/质量追溯打通，出问题能定位到批次和供应商 |
| 单件检测成本 | 含折旧、运维、人工接管、能耗的每件成本 | 用于和人工全检/抽检、外协检测做同口径比较 |
验收阈值应在 POC 前由质量、生产、IT 和供应商共同确定，没有通用“99% 就合格”的标准。样本量、缺陷类型、客户要求和误检成本不同，阈值也不同。
POC 怎么跑，才能不变成演示？
用真实产线、真实缺陷和留出集跑影子模式，先不控制产线；至少覆盖常见+罕见缺陷、换型、光照波动和连续班次，再按验收指标决定是否上线。
| 阶段 | 要做什么 | 退出条件 |
|---|---|---|
| 1. 质量成本基线 | 统计人工、报废、返工、客诉、停线和全检覆盖率 | 形成可复算的年度损失/成本表，双方签字 |
| 2. 缺陷字典与样本 | 定义缺陷类型、严重度、可接受边界；收集良品和罕见缺陷 | 缺陷字典冻结；每类有足够训练/留出样本 |
| 3. 冻结成像与工装 | 确定相机、镜头、光源、夹具、触发和产线安装位置 | 连续生产下图像稳定，换型可复现 |
| 4. 离线训练/留出集 | 按时间/产线/班次切分数据，训练与测试不混用 | 分类型指标可解释，误检成本可接受 |
| 5. 影子运行 | AI 只记录不控制剔除，和人工结果并行比较 2–4 周 | 覆盖换型、光照波动、异常班次；差异有闭环 |
| 6. 验收与扩线 | 按合同指标验收，再决定单线推广/多线复制 | 质量/生产/IT 签字；运维和重训责任明确 |
2–4 周影子运行是建议下限，不是工期承诺；多品种、高节拍或罕见缺陷需要更长。POC 前先写退出条件，避免“演示效果很好、上线效果不可用”。
供应商怎么选，合同要写什么？
先看光学/成像与现场经验，再看模型迭代、PLC/MES 集成、数据权属和验收；合同写清缺陷定义、样本、指标、换型、运维、退出，不接受只承诺“准确率 99%”。
- 看同场景，不看通用 Demo：要求供应商提供同行业、同缺陷、同节拍的案例；能到现场看运行比看 PPT 更有价值。
- 成像方案谁负责：相机、镜头、光源、夹具、触发和安装位置写进范围；不要默认“算法供应商”会解决反光和振动。
- 验收数据冻结：训练集、验证集、留出集分开；按缺陷类型、批次/时间切分，双方签字。
- 写分类型指标：检出率、漏检率、误检/过杀率、节拍、换型时间、人工接管率、追溯完整率；不要只写“准确率≥99%”。
- 模型生命周期：新缺陷、换型、漂移由谁重训、多久响应、是否另收费；年度运维包含几次重训。
- 系统集成：PLC/IO、剔除、MES/ERP、质量追溯、报警接口列清单；停线窗口和回滚方案写清。
- 数据与退出：图像、标注、模型权属和导出格式；合同终止后能否导出历史数据、继续维护。
- 付款与验收绑定：预付款、到货、影子运行、验收、质保分阶段；不接受“上线即全款”。
LingMOE 适合谁，不适合谁？
适合已有或准备上 MES、需要把质检结果接到工单/批次/追溯/异常闭环的制造企业；只缺相机或算法、没有质量数据负责人的项目，不该先买一体化平台。
凌壹 Ai 制造平台（LingMOE）覆盖 ERP、MES、OA 一体化，包含 IQC/IPQC/FQC/OQC、质量全流程追溯、异常预警和工单闭环。它适合把视觉检测结果接入批次、工单、供应商、返修和客诉追溯，解决“检测结果在 Excel、质量问题查不到批次”的数据割裂；视觉模型、相机和光源需要单独评估，本文不把第三方视觉算法算作凌壹自研能力。
如果企业只是缺一台相机或一个算法，先找视觉方案商做 POC 更直接；如果已经有检测设备，但结果没有进入 MES/质量追溯，或者多工厂质量数据口径不一致，LingMOE 这类一体化平台才有明确价值。预算拆解可参考《ERP、MES、OA 一体化到底要多少钱》，实施验收可参考《企业 AI Agent 从 POC 到生产要多久》。
需要做 AI 质检 ROI 测算、POC 范围或质量数据闭环评估，可预约沟通。我们不会承诺固定回本周期或一定检出率，具体以真实缺陷、节拍和验收数据为准。
常见问题
AI 质检一定要减少质检员吗？
不一定。AI 质检可以先承担全检、复检和异常初筛，人员转到异常处理、换型、供应商质量或设备维护；如果产线不能减少编制、也不能把人力转成可量化产出，人工节省就不能算现金收益，ROI 只能主要看报废、返工、客诉和节拍改善。
准确率 99% 就能验收吗？
不够。总体准确率会被样本不平衡掩盖：1000 件良品加 10 件不良品，全部判良也有约 99% 准确率，但缺陷检出率是 0。验收要按缺陷类型看检出率、漏检率、误检/过杀率、节拍、重复性和人工接管率，并用独立留出集和足够样本验证。
一条 AI 质检线大概要多少钱？
没有统一单价。费用由相机/镜头/光源/工装、边缘算力、软件与模型、数据标注、PLC/MES 集成、验收和年度运维共同决定；同一个缺陷，节拍、相机数量和换型要求不同，价格会差很多。本文用首年投入 60 万元的假设算例说明 ROI，不是报价。
小批量多品种的产线适合 AI 质检吗？
可以做，但难度更高。多品种意味着缺陷类型、成像位置和换型频繁，模型需要小样本适配、快速换型和持续重训；如果换型时间、样本获取和工装切换成本降不下来，先用规则视觉或抽检更合理。是否适合要用 POC 验证，不能只看供应商演示。
没有缺陷样本，还能做 AI 质检吗？
可以从小样本、历史图片、产线试产和合成数据起步，但样本越少，模型对罕见缺陷的检出越不可靠。供应商如果只拿正常品或演示数据承诺高准确率，不能作为验收依据；应要求补充真实缺陷、独立留出集和误检成本测试。
AI 质检能申请政府补贴吗？
部分地区的智能制造、人工智能+制造政策可能覆盖算力、模型、语料或场景建设费用，但是否适用、能补多少、何时申报，要看企业所在地和当年通知。常州经开区有“四券”政策，但只适用于在经开区合法经营且符合条件的主体；补贴不改变项目 ROI，也不能作为采购决策的唯一理由。
一句话总结
AI 质检的决策不是“准确率能到多少”，而是“质量成本能否量化、成像和数据是否稳定、人力能否真正减少或转岗、三年净收益是否为正”；这四项算不清，先做基线和 POC，不要先买大平台。
研究方法与局限
本文为公开资料研究 + 编辑测算，不是一手调查、项目审计或厂商报价。公开案例来自常州市发改委场景清单、e-works 质量检测报告及媒体转述，属于企业自报/公开披露，未做独立审计；案例中的效率、准确率和节省金额受产品、样本、节拍和统计口径影响，不能直接复制。ROI 算例的 60 万元首年投入、12 万元/人/年、年运维 6–8 万元等均为假设，不是市场统一价格；实际项目应以供应商报价、企业质量成本和 POC 数据重算。本文不承诺检出率、回本周期或补贴获批。
数据来源与口径
资料截止 2026-10-25；以下均为公开页面，具体日期、口径和适用范围以原文为准。
- 常州市发展和改革委员会《2026年第二批人工智能+应用场景清单》（常发改〔2026〕188号，2026-09-28）：changzhou.gov.cn。奥托立夫、博瑞电力等案例的公开披露；清单不等于补贴名单，案例未独立审计。
- e-works 研究院《2025制造业AI应用场景案例研究报告-质量检测篇》，新浪财经转载（2025-06-23）：finance.sina.cn。舍弗勒、微亿智造等案例；行业研究报告/媒体转述，不是官方统计。
- 工业和信息化部等八部门《“人工智能+制造”专项行动实施意见》（工信部联科〔2025〕279号，2026-01-09 发布）：nda.gov.cn。推广机器视觉等工业质检技术；到 2027 年 500 个典型场景、1000 个工业智能体等目标。
- 工业和信息化部办公厅《智能制造典型场景参考指引（2025年版）》（工信厅通装函〔2025〕155号，2025-04-19）：gov.cn。第 24 项“在线智能检测”、第 25 项“质量精准追溯”的场景定义。
- IDC《年复合增长率 38% 背后：工业智能体如何推动工业 AI 规模化与体系化升级》（2026-02-06）：idc.com。预测到 2028 年中国工业企业 AI 支出接近 900 亿元、CAGR 38%；质量检查是其列举的工业智能体场景之一，不是 AI 质检市场规模的单独统计。