引进AI前，先过7S这道坎
2026-09-10 16:26:14
这两年AI视觉检测确实越来越普及。 算法在升级，模型在优化，大厂都在推 AI + 制造方案。可真走进车间你会发现，技术只是其中一环。 机器买回来容易，如何让它在车间里真正发挥作用，才是难题。
今天在客户现场，车间负责人带我看了他们的AI视觉检测设备。机器放在产线末端，一眼看过去确实有科技感。他说这台设备能够把板材的质量问题，孔位问题都检测出来。 仔细观察下来我发现，设备虽然好用，但随之而来的麻烦也不少。 问题出在两个地方。 一个是产线的洁净程度——检测区域附近总有工人走动，带起的灰尘落在板材和设备镜头上，AI分不清是真实缺陷还是环境干扰，容易误报。 另一个是设备参数调得太敏感，厂家为了展示'高精度'，把阈值设得很低，这种设置在实验室环境下可能是技术亮点，但在真实的生产环境中，完全是一种负担。 01 这两年AI视觉检测确实越来越普及。 算法在升级，模型在优化，大厂都在推 AI + 制造方案。可真走进车间你会发现，技术只是其中一环。 机器买回来容易，如何让它在车间里真正发挥作用，才是难题。 工厂不是实验室。 没有恒温恒湿，没有无尘环境，也没有标准光照。车间老师傅有自己的节奏和习惯，新设备要融进现有流程，远比想象中复杂。 数据也摆在那：超 30% 的规模以上制造业企业已经上了AI，但能把AI真正渗透到核心业务场景的先进工厂，只有约 70%。 差的就是这 '最后一公里'。 卡在这一公里上的，往往不是技术，而是 7S 里最不起眼的那项 —— 清洁。 02 7S管理里的 '清洁'（Seiso），在很多工厂眼里就是 '打扫卫生'，最不受待见。 可对AI视觉检测来说，清洁就是命门。设备镜头沾了灰，识别准确率肯定往下掉；光照不稳定，算法就容易把反光当成产品缺陷。不起眼的环境因素，往往足以让几十万的设备变成摆设。 更可惜的是，有些厂大价钱买了设备，却舍不得在清洁上花心思。 没有设备表面灰尘重量标准，没有检测区域每日除尘的规定，也没安排专人管镜头。 结果误报率居高不下，最后居然得出个 'AI 不靠谱' 的结论，把设备往仓库一扔就算了。 设备调得这么敏感，也多少暴露了厂家的心态——太想证明自己技术厉害，忽略了真实使用情况。 演示的时候，高敏感度确实能换来客户一声惊叹：'哇，连这么小的问题都能发现！' 可真实生产不是技术展览。 过度敏感只会让工人天天跟误报较劲，一天处理几十次下来，时间全耗在 '真假辨别' 上，哪还有精力盯真正的质量问题？ 03 好的 AI 系统，应该像个经验老道的老师傅，知道什么时候该报问题，什么时候不该报。它得懂复杂的生产现场，而不是一门心思追求指标好看。 所以我的看法是：选哪家AI产品、用什么硬件、上什么模型，这些都是选型问题；但 7S 改善，尤其是清洁，是地基问题。 地基不牢，再好的设备也会被误报拖垮。 这话不是理论推演，是我在车间里实实在在看到的。几十万的设备因为镜头脏了频繁误报，工人对报警声已经麻木—— 这种场面见一次就明白了。 04 纯靠 AI 不行，纯靠人也不行。 AI 适合干大量重复的检测，不知疲倦，标准统一；人擅长处理边缘情况、特殊缺陷，靠经验做出综合判断。 合理的做法是：AI 先筛一遍，明显合格的就放行，有疑点的标出来；人工再复核这些疑点，决定到底是不是缺陷。 这也不只是 '人 + 机器' 换个说法那么简单，背后是流程再造——重新设计工序，划清 AI 和人的职责，再建立反馈机制，让 AI 慢慢学会人工判断的经验。 05 AI 落地制造业，急不来。 技术要跟，管理要补，还得有耐心。 7S 看着传统，恰恰是让AI发挥价值的那块地基。聊智能制造聊得再热闹，基础管理功夫跟不上，有技术也走不远。
AI落地没那么容易
清洁为什么这么重要
选型是表面，7S是地基
人机协同才是正路
写在最后
引进AI前，先过7S这道坎
2026-09-10 16:26:14
这两年AI视觉检测确实越来越普及。 算法在升级，模型在优化，大厂都在推 AI + 制造方案。可真走进车间你会发现，技术只是其中一环。 机器买回来容易，如何让它在车间里真正发挥作用，才是难题。
今天在客户现场，车间负责人带我看了他们的AI视觉检测设备。机器放在产线末端，一眼看过去确实有科技感。他说这台设备能够把板材的质量问题，孔位问题都检测出来。 仔细观察下来我发现，设备虽然好用，但随之而来的麻烦也不少。 问题出在两个地方。 一个是产线的洁净程度——检测区域附近总有工人走动，带起的灰尘落在板材和设备镜头上，AI分不清是真实缺陷还是环境干扰，容易误报。 另一个是设备参数调得太敏感，厂家为了展示'高精度'，把阈值设得很低，这种设置在实验室环境下可能是技术亮点，但在真实的生产环境中，完全是一种负担。 01 这两年AI视觉检测确实越来越普及。 算法在升级，模型在优化，大厂都在推 AI + 制造方案。可真走进车间你会发现，技术只是其中一环。 机器买回来容易，如何让它在车间里真正发挥作用，才是难题。 工厂不是实验室。 没有恒温恒湿，没有无尘环境，也没有标准光照。车间老师傅有自己的节奏和习惯，新设备要融进现有流程，远比想象中复杂。 数据也摆在那：超 30% 的规模以上制造业企业已经上了AI，但能把AI真正渗透到核心业务场景的先进工厂，只有约 70%。 差的就是这 '最后一公里'。 卡在这一公里上的，往往不是技术，而是 7S 里最不起眼的那项 —— 清洁。 02 7S管理里的 '清洁'（Seiso），在很多工厂眼里就是 '打扫卫生'，最不受待见。 可对AI视觉检测来说，清洁就是命门。设备镜头沾了灰，识别准确率肯定往下掉；光照不稳定，算法就容易把反光当成产品缺陷。不起眼的环境因素，往往足以让几十万的设备变成摆设。 更可惜的是，有些厂大价钱买了设备，却舍不得在清洁上花心思。 没有设备表面灰尘重量标准，没有检测区域每日除尘的规定，也没安排专人管镜头。 结果误报率居高不下，最后居然得出个 'AI 不靠谱' 的结论，把设备往仓库一扔就算了。 设备调得这么敏感，也多少暴露了厂家的心态——太想证明自己技术厉害，忽略了真实使用情况。 演示的时候，高敏感度确实能换来客户一声惊叹：'哇，连这么小的问题都能发现！' 可真实生产不是技术展览。 过度敏感只会让工人天天跟误报较劲，一天处理几十次下来，时间全耗在 '真假辨别' 上，哪还有精力盯真正的质量问题？ 03 好的 AI 系统，应该像个经验老道的老师傅，知道什么时候该报问题，什么时候不该报。它得懂复杂的生产现场，而不是一门心思追求指标好看。 所以我的看法是：选哪家AI产品、用什么硬件、上什么模型，这些都是选型问题；但 7S 改善，尤其是清洁，是地基问题。 地基不牢，再好的设备也会被误报拖垮。 这话不是理论推演，是我在车间里实实在在看到的。几十万的设备因为镜头脏了频繁误报，工人对报警声已经麻木—— 这种场面见一次就明白了。 04 纯靠 AI 不行，纯靠人也不行。 AI 适合干大量重复的检测，不知疲倦，标准统一；人擅长处理边缘情况、特殊缺陷，靠经验做出综合判断。 合理的做法是：AI 先筛一遍，明显合格的就放行，有疑点的标出来；人工再复核这些疑点，决定到底是不是缺陷。 这也不只是 '人 + 机器' 换个说法那么简单，背后是流程再造——重新设计工序，划清 AI 和人的职责，再建立反馈机制，让 AI 慢慢学会人工判断的经验。 05 AI 落地制造业，急不来。 技术要跟，管理要补，还得有耐心。 7S 看着传统，恰恰是让AI发挥价值的那块地基。聊智能制造聊得再热闹，基础管理功夫跟不上，有技术也走不远。AI落地没那么容易
清洁为什么这么重要
选型是表面，7S是地基
人机协同才是正路
写在最后
广东文智武能系统科技有限公司
-
TEL：+86-18688862839
-
文智武能公众号
文武企培公众号
抖音号二维码
培训与发展
