客户背景
行业
电子元器件制造
规模
约 90 人 · 日产能 30 万件
现状
8 名目检员三班倒
期望
稳定检出，降低客诉
客户痛点
1
缺陷太细微
划痕、脏污、缺角等缺陷在高速产线下极难被肉眼捕捉。
2
标准难统一
不同目检员松紧不一，同一批货质量忽高忽低，客户投诉频繁。
3
返工报废成本高
漏检流出的不良品，退回返工或整批报废都是真金白银的损失。
演示案例
实时演示 · 外观检测
就绪
输入
产线高速采集的元器件图像（连续 30,000 件）
Consolelogs · stdout
$ 初始化演示管线…
✓ 高速图像采集0.6s / 件
✓ AI 缺陷识别20 类缺陷
✓ 自动剔除与报警实时
技术方案
01
高精度视觉方案
针对小尺寸器件定制光源与镜头，训练 20 类缺陷的检测模型。
02
检测结果自动留档
每一件产品的检测图像与判定结果自动归档，可追溯、可审计。
03
产线联动控制
检测到连续异常时自动停机并推送报警，避免批量不良。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
适合冷启动与快速验证
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
适合作为主链路承担高频流量
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
适合兜底与高确定性场景
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
L1
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
业务系统 API移动端 / 小程序文件上传 / 扫码API 网关 · 脱敏
L2
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
行业微调模型多模态大模型RAG 知识检索置信度路由
L3
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
业务规则校验实体 / 主数据匹配金额 / 逻辑闭环人工复核工单
L4
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
样本仓在线标注与差错回收月度增量微调漂移监测与告警
技术栈
FastAPIvLLMLangChainRAGQwenGPT-4oTritonKubernetesPostgreSQLRedisMilvusDocker
交付过程
1
场景诊断
评估产线速度、物料与缺陷类型，确定检测工位。
2
数据采集
收集 1.2 万张带缺陷样本并统一标注。
3
模型训练
训练检测模型并在离线集上验证指标。
4
现场联调
与产线 PLC 联动，实现自动剔除与报警。
5
上线与迭代
稳定运行后按月回收误检样本，持续优化。
上线前后对比
指标上线前上线后
检测节拍人工 6 秒/件AI 0.6 秒/件
漏检率约 2.5%0.5%
客诉批次月均 9 起月均 2 起
“目检员三班倒还是看不过来，现在机器 24 小时不眨眼，客诉一下子少了一大半。”
可复用场景
各类精密零部件的表面缺陷检测
高速产线的在线质检
质检数据的可追溯留档