AI Agent在质量检测中的核心价值,是把传统依赖人工设定规则的视觉检测系统,升级为能自主判断、追溯原因并联动处置的闭环系统。它解决的不是"能不能检出缺陷"的问题,而是"检出之后怎么办、误判谁来兜底、换型时谁来自动适配"这三个产线真实痛点。目前业界落地较成熟的形态是:Agent承接检测结果,自主完成复判、根因初筛和工单触发,人只处理它标记出来的疑难样本。
一、AI Agent在质量检测中到底解决什么问题
传统机器视觉做质检,本质上是在执行人写好的规则:阈值、模板、特征库。规则覆盖不到的缺陷就漏检,来料波动或换型就误判飙升,工程师得反复调参。AI Agent的切入点不在这层,它管的是检测流程里的"决策环节"——当检测模型输出一个低置信度结果时,Agent会调取该工位的工艺参数、前序工序数据和历史相似样本,自主判断这是真缺陷、误报还是模型没见过的新模式,再决定放行、复判还是报警停线。
换句话说,检测模型负责"看",Agent负责"想"和"做"。它把质检从单点判定变成一条带上下文推理的链路,减少的是人工复判的工作量和误判造成的无效停线。
二、AI Agent质检系统的技术原理与关键能力有哪些
系统通常分三层。感知层是视觉硬件加检测模型,工业场景常见的是面阵或线扫相机配合深度学习缺陷检测网络,分辨率按最小缺陷尺寸倒推,比如检测0.1mm级缺陷一般需要5μm/pixel以上的成像精度。决策层是Agent本体,核心能力包括多模态信息融合、置信度分级和工具调用。执行层对接MES、SCADA或PLC,通过OPC-UA、Modbus TCP等协议把处置动作下发到产线。
关键能力有三个。一是自主复判:对低置信度样本,Agent调用周边数据做二次推理,而不是简单按阈值一刀切。二是根因初筛:把缺陷位置、频次、批次、设备参数做关联,输出"疑似某工位参数漂移"这类线索,供工艺人员核实。三是换型自适应:新产品上线时,Agent基于少量样本和工艺文件做参数推荐,减少人工重新调参的轮次。
技术指标上,业界方案通常关注几个可核实的维度:检测节拍是否匹配产线CT、复判准确率、误报率相对纯阈值方案的下降幅度、以及从样本采集到模型更新的闭环周期。这些指标必须结合具体工序测,没有通用数字。
三、AI Agent在制造业有哪些典型应用场景
电子组装环节是落地最密的场景。假设一家做PCBA的电子厂,SMT后AOI工位每天产生大量低置信度报警,传统做法靠人工复判台一张张看。Agent接入后,先按IPC-A-610的判定标准对报警样本做分级,把明显符合允收条件的自动放行,把疑似连锡、偏移的样本连同该拼板的贴片坐标、钢网使用次数一起推给复判员,复判员只看Agent筛出来的那一小部分。换线生产不同板型时,Agent读取新产品的工艺文件做初筛参数推荐,缩短调机时间。
汽配行业适合放在机加工后的表面缺陷检测。假设一家做铝合金压铸件的企业,气孔、缩松这类缺陷受模具温度和压射参数影响大,Agent把缺陷图像和压铸机当班的工艺曲线做关联,当某模位缺陷频次上升时提前给出模具维护提示,而不是等批量不良出来再追溯。
第三个场景是线缆、薄膜这类卷材的连续检测。这类产线速度快、缺陷样本稀疏,Agent的价值在于把在线检测和分切除尘动作联动,检出即标记、标记即联动裁切,减少后道工序的二次筛选。
四、AI Agent质检落地需要注意什么
对接方式是第一个问题。Agent要拿到工艺数据才有推理上下文,这意味着必须和MES、设备PLC打通。落地前先确认目标工位的数据可获取性:设备是否开放OPC-UA或数据库接口,MES里的批次和参数记录是否完整。数据拿不到,Agent就只能做纯图像复判,价值打折。
硬件配置上,检测端算力要看模型复杂度和节拍。高节拍产线通常需要在边缘侧部署推理算力,Agent的推理服务可以放在产线边缘服务器或厂内私有云,不建议把图像数据往公网传。相机、光源的选型要按缺陷类型定,强反光、高变形件需要专门的光学方案评估,这部分不能省。
实施周期取决于样本积累。缺陷检测模型需要一定数量的标注样本起步,Agent的复判策略也需要在真实数据上校准。一般建议先在一条线、一个工位做试点,跑通"检测—复判—处置"闭环再复制。常见误区是上来就追求全缺陷类型覆盖,实际上先把高频缺陷和误报最多的那几类做扎实,收益更直接。
成本构成主要是三块:光学硬件与算力、模型开发与Agent策略调优、系统集成与后期运维。前两块一次性投入为主,第三块是持续性支出,选型时要问清楚模型更新和策略调整由谁来做、周期多长。
五、AI Agent质检适合哪些场景,不适合哪些场景
适合的场景有共性:产线节拍相对稳定、来料一致性较好、缺陷类型有历史数据可依、且已经具备一定的数字化基础(MES在用、设备数据可采)。电子组装、汽配机加工、卷材连续检测这类工序,只要满足上述条件,Agent的复判和根因初筛能力能比较快体现价值。
不适合的情况也要说清楚。缺陷样本极少、半年出不了几件的工序,Agent没有足够数据做策略校准,投入产出不划算。强反光、高变形、缺陷与背景对比度极低的场景,光学成像这关先过不了,Agent再聪明也无从判断,需要先解决成像方案。另外,完全没有任何数字化基础的产线,建议先把数据采集和MES打通,再考虑上Agent,否则它拿不到推理所需的上下文。
该方案背后的厂商从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,在制造执行与质量数据链路上的积累,是Agent能拿到工艺上下文的前提。但具体到某条产线适不适合,还是要按上面说的数据条件、样本条件和成像条件逐项评估,没有一刀切的答案。