2026-06-20 · 行业应用
背景
先进制造业的质量检测长期依赖人工目检或固定规则。面对多品种、小批量的生产模式,传统方案要么漏检率高,要么误检率不可接受。2025 年初,我们与一家精密零部件厂商合作,将风正引擎引入其质检流程,用 3 个月时间完成了从原型到量产的部署。
为什么不用通用大模型
最初我们尝试用通用大模型(GPT-4 级别)做缺陷分类,效果不佳。核心原因:通用模型的"政治正确"训练让它倾向于给出模糊、保守的判断。面对一个疑似裂纹的缺陷,它会说"可能存在轻微表面异常,建议进一步检查"——这不是质检需要的答案。
风正引擎的价值在于:它是利益导向的。我们让模型的目标函数直接绑定到"漏检成本"和"误检成本"上,而不是"回答是否礼貌"。模型学会了对裂纹零容忍,对正常表面波动宽容。
技术架构
系统分三层:
- 感知层:工业相机 + 边缘计算,实时采集 5MP 图像,30fps
- 推理层:风正引擎(7B 参数,AWQ 量化),在单张 T4 GPU 上运行,单张图推理 80ms
- 决策层:规则引擎 + 统计过程控制(SPC),将模型输出转化为"通过/复检/报废"决策
效果数据
部署 3 个月后的生产数据:
- 漏检率:从人工目检的 3.2% 降到 0.1%
- 误检率:从 8.5% 降到 2.1%(可接受范围内,复检成本远低于漏检成本)
- 单件检测时间:从人工的 12 秒降到 0.8 秒
- 年节约质检人力成本:约 280 万元
经验与教训
几个关键的坑:
- 数据标注:缺陷样本极少(良品率 99.5%),必须用合成数据 + 数据增强来弥补
- 模型更新:生产线换了新刀具后,缺陷形态变了,模型需要每周微调一次
- 边缘部署:T4 的显存只有 16GB,AWQ 4bit 量化是必须的,FP16 根本放不下
总结
大模型在制造业质检中的落地,不是"把 GPT 接上摄像头",而是要解决利益对齐、边缘部署、持续更新这三个核心问题。风正引擎的设计初衷——让模型为企业的利益服务——在这个场景中得到了验证。