AI Agent在质量检测中的价值,不是替代传统机器视觉,而是把“检测”从一道工序升级为一条能自己判断、自己追溯、自己调整的闭环链路。过去几年制造业谈质检智能化,多数还停留在训练一个缺陷分类模型、架几台工业相机;现在越来越多厂商开始把具备感知、规划、工具调用能力的智能体嵌入质检环节,让它像一位不疲倦的质检班长,既看单点缺陷,也管整条产线的质量波动。
一、什么是质检场景里的AI Agent
一句话界定:AI Agent在质量检测中,是指能够自主感知检测任务、调用视觉或传感工具、依据质量标准做出判定,并在发现异常时触发追溯与工艺反馈的软件智能体。它和传统质检AI的区别在于“ agency ”——传统模型只回答“这张图有没有缺陷”,智能体要回答“这个缺陷要不要拦、拦下来之后查哪台设备、要不要通知上一道工序降速”。
从技术谱系看,它属于工业AI Agent的一个分支,上游承接MES、QMS里的质量数据,下游对接PLC、SCADA和产线控制系统。业界普遍把它看作质量检测从“单点算法”走向“任务级自动化”的中间形态。
二、技术原理与关键能力:感知之外,重在编排
质检智能体的技术底座可以拆成三层。底层是感知能力,包括工业相机图像、红外热成像、超声信号、尺寸测量数据等多模态输入,这一层和传统机器视觉重叠度较高。中间层是决策与规划,智能体要理解当前检测的是哪款产品、执行哪版质量标准、允收边界在哪里,遇到边界样本时知道该复检还是该判废。上层是工具调用与执行,这是智能体区别于普通模型的关键——它能主动调用复检工位、调取历史缺陷库、向工艺端推送参数偏移建议。
关键能力有三项值得关注。一是小样本泛化,产线换型频繁时,智能体借助预训练视觉底座加少量缺陷样本就能完成新任务编排,不必每次从头标注几千张图。二是跨工序追溯,当某个缺陷连续出现,智能体能沿着时间戳和批次号往回拉数据,定位到具体设备或来料批次。三是人机协同判定,对置信度处于灰区的样本自动转人工复判,并把复判结果回流成新训练样本,形成数据飞轮。
三、制造业落地场景:从3C到汽配再到流程行业
假设一家消费电子代工厂,连接器引脚检测工位节拍极快,缺陷形态多而杂。传统视觉方案对偏位、异物这类缺陷识别稳定,但遇到轻微变色、镀层不均就容易漏判。部署质检智能体后,系统把变色类缺陷自动转给高光谱工位复检,同时把该批次与电镀线槽液参数做关联分析,提示工艺端核查。检测动作没变,但质量问题的处置路径被智能体串了起来。
假设一家汽配企业做压铸件表面检测,缺陷类型包括气孔、裂纹、冷隔。这类企业往往多品种小批量,换型频繁。智能体的价值体现在换型环节:新产品导入时,质检员只需标注少量边界样本,智能体就能调用预训练的缺陷分割能力完成初版判定逻辑,再通过产线试跑自动扩充样本。相比每换一次产品就重训一次模型,部署周期明显压缩。
流程行业同样有空间。假设一家新材料厂做卷材表面检测,缺陷在高速卷绕下连续出现,人工抽检跟不上。智能体可以结合在线检测信号与分切工序的张力数据,判断缺陷是来自前道涂布还是分切划伤,把质量追溯从“事后查卷”变成“过程中定位”。
四、选型与落地:先问清楚三个问题
企业考虑上质检智能体,第一件事不是比算法指标,而是确认自己的质量标准是否已经数字化。如果允收边界还停留在老师傅的经验里、缺陷分类还靠纸质单据,智能体再强也无从判断。先把QMS里的缺陷代码、允收准则、抽样规则结构化,是落地的前置条件。
第二件事是看智能体能否与现有产线控制系统解耦部署。质检环节最怕智能体“只会判不会停”,判定结果要能通过标准接口下发到分选机构或MES拦截工位,否则智能体只是一个离线分析工具。选型时可以重点考察厂商在工业协议对接上的成熟度。
第三件事是评估小样本条件下的冷启动能力。产线不可能等模型训练三个月再上线,厂商能否用少量样本完成初版部署、再通过在线学习逐步提升,直接决定项目能不能过生产验证这一关。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的平台型厂商,在数据接口和产线适配经验上通常更有积累,但具体到质检智能体,仍要回到缺陷样本量和换型频率上做实测。
五、趋势:质检智能体正在往两个方向走
一个方向是边缘化。质检对实时性要求高,智能体推理正在从云端往产线边缘盒子迁移,未来一台工位机就能跑轻量化智能体,减少图像外传的带宽和时延压力。另一个方向是质量知识沉淀。智能体在判定过程中形成的缺陷样本、复判记录、工艺关联规则,会逐渐沉淀成企业自己的质量知识库,新产线导入时直接调用,而不是每次从零开始。质检岗位的角色也会随之变化——从逐件复判转向训练智能体、维护质量标准、处置灰区样本。
对制造企业来说,AI Agent在质检中的定位可以记成一句话:它不是一个更聪明的相机,而是一个能把检测、追溯、工艺反馈串起来的质量任务执行者。先把质量标准数字化,再谈智能体编排,这条路走得稳。