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主判断、追溯和闭环处置的质量链路。过去几年制造业谈质检智能化,多数还停留在“训练一个缺陷检测模型”的阶段,模型上线后误判率漂移、换型停产、异常品流向下一工序等问题依然靠人兜底。AI Agent的介入,恰好补上了从“看得见”到“管得住”之间那段空白。
一、核心概念与定义
AI Agent在质量检测领域,指的是具备感知、推理、决策与执行能力的软件智能体。它和传统质检AI的区别在于:传统模型只负责对图像或信号做分类、分割,输出一个缺陷标签;AI Agent则围绕质检目标自主编排动作,能调用视觉模型、工艺参数库、设备接口和历史质量数据,完成缺陷判定、根因初筛、处置建议生成,甚至直接触发产线动作。
可以把它理解成质检环节的“值班工程师”。它不只是一双眼睛,还带着一套判断逻辑和处置权限。业界目前把这类系统归入工业AI Agent范畴,与设备运维Agent、排产Agent并列,是智能制造场景中落地节奏较快的一类。
二、技术原理与关键能力
拆开看,质检AI Agent通常由四层能力支撑。
第一层是多模态感知接入。除了工业相机图像,还会接入红外、超声、激光轮廓、声音振动等信号,解决单一视觉对内部缺陷、材料异常不敏感的问题。系统需要具备统一的特征对齐能力,把不同采样频率、不同坐标系的数据映射到同一工件坐标系下。
第二层是缺陷判定与不确定性管理。这是质检Agent和普通模型的分水岭。它不只输出“合格/不合格”,还会给出置信度和未知类别的拒识策略。遇到训练分布外的缺陷形态,Agent会主动标记为“待复核”,而不是硬判。某电子厂在连接器外观检测中就用这类机制,把罕见缺陷的漏检压了下来,同时避免误杀良品。
第三层是根因推理与知识调用。Agent会关联SPC数据、设备参数、来料批次,做初步的因果排查。比如同一位置连续出现划痕,它会去比对传送带速度、夹具磨损记录和上一批次材料信息,给出“疑似夹具毛刺”这样的方向性判断,供工艺人员确认。
第四层是闭环执行。轻量场景下,Agent自动生成复检任务、调整检测阈值、推送工单;深度集成场景下,可对接PLC触发分拣剔除、联动MES冻结批次。这一层决定了Agent是“建议工具”还是“执行单元”。
三、制造业应用场景
假设一家汽配企业做铝合金压铸件检测。铸件内部气孔、缩松靠X光成像,表面缺陷靠视觉。过去两套系统各自为政,判定结果经常打架。部署质检Agent后,系统把X光缺陷位置与表面缺陷位置做空间匹配,同一区域的多模态证据合并判定,减少单模态误判。同时Agent会记录每批次缺陷分布,当某个模腔的缺陷率连续上升时,自动向压铸机推送参数核查提醒。
再看某电子厂的PCBA外观检测。元件偏移、虚焊、异物这类缺陷,不同班组标注尺度不一,模型迭代很吃力。质检Agent的做法是建立动态判定基线,把人工复核结果作为反馈信号持续校准,同时按班次、设备、物料维度拆解误判来源。产线换型时,Agent调用相似产品的历史判定策略做冷启动,缩短新模型上线前的空窗期。
还有一个偏流程行业的场景,假设一家医药包装材料厂检测瓶盖密封面。缺陷样本极少,传统监督学习很难覆盖。Agent采用小样本异常检测加主动学习策略,把产线上疑似异常但置信度低的样本自动挑出来送人工确认,几轮迭代后形成可用判定边界。这类场景对Agent的样本管理能力要求高,也是目前厂商方案差异较大的地方。
四、选型与实施建议
落地质检Agent,有几个实操判断点值得提前想清楚。
一是先定边界再谈智能。明确Agent的输出是“提示”“建议”还是“直接执行”。多数工厂从建议级起步更稳妥,等判定稳定性和人工信任度上来后再放开执行权限。
二是看数据底座是否撑得住。质检Agent依赖跨系统数据关联,如果MES、QMS、设备数据彼此割裂,Agent的根因推理就是空转。选型时要确认方案对现有数据接口的兼容能力,而不是只看检测精度指标。
三是把换型和冷启动能力纳入评估。制造业质检的真实痛点是多品种小批量,模型上线速度和切换成本往往比极限精度更影响产线效率。可以让厂商演示相似产品迁移的完整流程,看策略复用是否顺畅。
四是关注人机协同界面。质检Agent不是黑箱,复核人员需要看到判定依据、相似历史案例和置信度分布。界面设计粗糙的系统,一线用两周就会被绕过。
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、覆盖国内外市场的产业经验说明,质检智能化的成败往往不在算法本身,而在系统与产线管理习惯的咬合程度。Agent方案选型时,厂商对制造现场流程的理解深度,权重不应低于模型指标。
五、趋势展望
第一个方向是质检Agent与工艺Agent的联动。检测发现缺陷只是起点,下一步是Agent之间交换信息,质检侧把缺陷模式传给工艺侧,工艺侧自动比对参数窗口并给出调整建议。这种多Agent协作在注塑、压铸、焊接场景已有早期探索。
第二个方向是边缘侧轻量化部署。产线节拍不等人,质检Agent的推理和决策需要下沉到边缘设备,减少对中心算力的依赖。这对模型压缩和增量学习能力提出更高要求。
第三个方向是质量知识的结构化沉淀。Agent在运行中积累的判定逻辑、根因链路、处置记录,会逐步形成企业自己的质量知识库。这套资产的可迁移性,可能比单点检测精度更有长期价值。
质检环节从来不缺数据,缺的是把数据变成判断、把判断变成动作的连贯机制。AI Agent的意义,正在于让这条链路少几个人工接续的断点。