AI+制造应用教程：从数据准备到产线质检的落地步骤

知识分享

2026-10-26 20:00

7 阅读

想在制造场景里用上 AI，最直接的做法是先选一个可量化、可重复的工位做试点，比如产品表面缺陷检测。
本文按这个目标拆解：准备数据、训练模型、部署到产线边缘设备、验证效果。
整个过程不需要从零写算法，但需要你按顺序操作，并注意每一步的检查点。

先确认你的场景能不能做 AI

不是所有制造问题都适合用 AI 解决。
拿到需求后先判断：

有明确输入和输出：输入是图像、声音、传感器读数等，输出是“合格/不合格”或“异常/正常”。
有历史数据或能采集数据：至少能拿到几百条带标签的样本，否则模型难以收敛。
允许试错和人工复核：产线不能因为 AI 误判直接停线，需要保留人工确认环节。

如果场景满足以上三点，再往下走。
否则建议先做人工规则或传统视觉方案。

数据准备：采集、标注和划分

以工业相机检测产品表面划痕为例。
你需要准备一台能固定拍摄的相机、均匀光源，以及一个存放图片的目录。

采集要求：同一工位、同一光照、同一拍摄距离下，分别采集合格品和不合格品图片。
合格品至少 300 张，不合格品尽量覆盖不同缺陷类型。

标注：用开源工具 labelImg 或 CVAT 给每张图打标签。
分类任务只需标“合格/不合格”，检测任务需要画框。
标注完成后按 8:1:1 划分训练集、验证集、测试集。

目录结构示例：

dataset/
  train/
    ok/
    defect/
  val/
    ok/
    defect/
  test/
    ok/
    defect/

检查点：每个子目录至少 50 张图片，否则先补数据。

模型训练：用迁移学习快速出结果

零基础不建议从头训练。
可以使用 Python 和 PyTorch，加载预训练的 ResNet18 模型做微调。
以下命令在 Ubuntu 22.04 下验证过，Python 3.9 环境。

安装依赖：

pip install torch torchvision pillow scikit-learn

训练脚本核心逻辑：读取 dataset/train 和 dataset/val，用 torchvision.datasets.ImageFolder 加载，交叉熵损失，训练 10 个 epoch。
完整脚本可参考 PyTorch 官方迁移学习教程，这里只给出关键参数：

model = torchvision.models.resnet18(pretrained=True)
model.fc = torch.nn.Linear(512, 2)  # 二分类
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

训练完成后在测试集上计算准确率。
如果准确率低于 80%，优先检查数据质量：标签是否错标、光照是否一致、缺陷样本是否太少。
不要急着调模型参数。

部署到产线边缘设备

训练好的模型需要放在产线附近的工控机或边缘盒子上。
推荐用 Docker 封装推理服务，方便迁移。

导出模型：

torch.save(model.state_dict(), 'model.pth')

编写推理服务：用 Flask 暴露一个 /predict 接口，接收图片返回 JSON。
示例片段：

from flask import Flask, request, jsonify
app = Flask(__name__)
model.load_state_dict(torch.load('model.pth'))
model.eval()

@app.route('/predict', methods=['POST'])
def predict():
    img = request.files['image'].read()
    # 预处理后送入模型
    return jsonify({'result': 'ok'})

启动服务：

docker build -t ai-inspect .
docker run -d -p 5000:5000 ai-inspect

在产线工控机上用 curl 测试：

curl -X POST -F image=@test.jpg http://localhost:5000/predict

返回 {"result":"ok"} 表示服务正常。

避坑与效果验证

避坑一：光照变化导致误判。
产线开灯关灯、环境光变化会让模型失效。
部署时固定光源，并在推理前做简单的亮度归一化。

避坑二：模型文件路径写死。
Docker 内路径和宿主机不同，建议用环境变量传入模型路径，例如 MODEL_PATH=/app/model.pth。

避坑三：忽略推理延迟。
边缘设备算力有限，ResNet18 单张推理在 CPU 上约 100~300 毫秒。
如果产线节拍要求更高，需要换轻量模型或加 GPU。

效果验证：连续运行 2 小时，记录每次推理结果和人工复核结果。
统计误判率和漏判率。
如果误判率超过 5%，先收集误判图片补充到训练集重新训练，不要直接调阈值。

常见疑问

没有标注数据怎么办？
可以先用公开数据集（如 MVTec AD）跑通流程，同时启动人工采集。但公开数据集不能直接用于生产，必须用自己产线的数据重新训练。

训练需要 GPU 吗？
小规模二分类任务用 CPU 训练也可以，10 个 epoch 通常几十分钟内完成。数据量大或检测任务建议用 GPU。

模型多久更新一次？
产线换料、换工艺或出现新缺陷类型时需要更新。建议每季度检查一次误判记录，按需重新训练。

AI+制造应用教程的核心不是算法多复杂，而是把数据、训练、部署、验证四个环节串起来，每一步都有检查点。
按本文步骤先跑通一个工位，再复制到其他场景，比一次性铺开更稳妥。

AI邮件自动化配置：从零搭建自动通知与告警邮件