1. 传统制造业的 AI 质检个人开发者还有机会吗1.1 一个被问烂了但始终没有标准答案的问题这个问题我在过去两年里被问过不下几十次。问的人背景五花八门有做了一辈子传统视觉算法的老工程师有刚毕业想找细分赛道切入的计算机视觉方向学生也有在互联网大厂做后端开发、想搞点副业的中年程序员。他们问的其实是同一件事AI 质检这个方向看起来是块肥肉但好像都被大公司和大厂研究院吃掉了个人开发者到底还有没有缝隙可以钻先说结论免得你看到一半觉得我在绕弯子有机会但机会不在“做一个通用的 AI 质检平台”上而在“把某个具体工序的质检问题吃透”上。这个结论听起来像废话但真正理解它的人不多。我见过太多个人开发者一上来就想做一个“什么都能检”的系统最后死在需求发散和交付地狱里。这篇文章我会把 AI 质检这件事从里到外拆一遍。不是讲那些论文里的东西而是讲一个个人开发者或者小团队在资源有限、没有工厂人脉、没有标注团队的情况下怎么找到切入点、怎么选技术方案、怎么控制成本、怎么避开那些我亲自踩过的坑。文章会比较长因为这件事本身就不是三言两语能说清的。如果你正在考虑要不要进这个方向或者已经进来了但卡在某个环节希望这篇东西能帮你省下几个月甚至一年的试错时间。1.2 先搞清楚AI 质检到底在检什么很多人对“AI 质检”的理解停留在“用摄像头拍产品然后判断好坏”。这个理解不算错但太粗了。实际产线上的质检需求按检测目标可以分成好几类每一类对技术方案的要求完全不同。表面缺陷检测是最常见的一类。比如金属件表面的划痕、凹坑、色差塑料件的毛边、缩水玻璃盖板的崩边、气泡。这类问题的特点是缺陷和背景在视觉上有一定对比度但对比度可能很低而且缺陷形态千变万化。传统视觉算法比如阈值分割、边缘检测、模板匹配在这类任务上往往力不从心因为缺陷的灰度分布和形状太不规律了你没法用几条规则把它框死。深度学习在这类任务上的优势最明显。尺寸测量是另一大类。比如某个孔的直径、两个边之间的距离、某个角的角度。这类任务传统视觉算法其实做得很好亚像素级别的边缘定位加上标定精度可以做到很高。深度学习在这类任务上反而不一定有优势因为深度学习的输出是概率性的而尺寸测量需要的是确定性的数值。当然现在也有一些用深度学习做亚像素边缘检测的研究但在工业现场传统算法加深度学习的混合方案更常见。装配完整性检测是第三类。比如螺丝有没有漏打、卡扣有没有扣到位、线束有没有插紧。这类任务的难点在于缺陷往往不是“表面看起来不一样”而是“结构上缺了某个东西”。比如一颗螺丝漏打在图像上可能只是少了一个小圆点如果光照不好或者角度不对很容易漏检。这类任务对成像方案的要求极高往往需要多角度拍摄或者特殊光源。字符识别是第四类。比如产品上的序列号、生产日期、批次号。这类任务看起来简单但实际产线上的字符往往有磨损、变形、反光、背景干扰等问题通用 OCR 模型直接拿来用准确率可能只有七八十。要提到九十九以上需要针对具体场景做大量微调。内部缺陷检测是第五类比如铸件内部的气孔、焊缝内部的裂纹。这类任务通常需要 X 光或者超声波成像图像本身就和可见光图像差异很大需要专门的数据集和模型。个人开发者一般不太容易接触到这类需求因为设备成本太高。我之所以花这么多篇幅分类是因为不同类型的质检需求对应的技术路线、数据需求、交付方式、甚至商业模式都不一样。你不可能用一个方案通吃所有类型。个人开发者的机会往往就藏在某一类需求里的某一个具体工序中。1.3 为什么大公司没有把这块吃干净很多人有一个误解觉得大公司比如那些做机器视觉的头部厂商已经把 AI 质检市场瓜分完了个人开发者没戏。这个判断有一半是对的但另一半是错的。大公司确实在抢大客户。一条产线几十个工位、几十台相机、几百万甚至上千万的项目这种单子个人开发者根本接不住也不应该去接。大公司的销售体系、交付体系、售后体系都是为这种大项目设计的。你一个人去跟这种单子光是商务流程就能把你拖死。但问题在于大公司做不了小单子。一个只有三五个人的小加工厂只有一台设备需要加一个质检工位预算可能就几万块。这种单子大公司看不上因为养一个销售加一个工程师去跟这个单子成本都不止几万块。但这恰恰是个人开发者的机会。还有一个更重要的原因很多细分工序的质检问题大公司的通用产品解决不了。大公司做的是平台型产品追求的是“能覆盖百分之八十的常见需求”。但工业现场往往是那百分之二十的特殊需求才是真正卡脖子的。比如某种特殊材料的表面缺陷在通用模型上表现很差需要针对这种材料专门采集数据、专门设计网络结构、专门调参。这种活大公司不愿意干因为投入产出比不划算。但个人开发者可以干因为你的成本结构不一样。我认识一个做陶瓷件表面检测的开发者就一个人专门做某一种陶瓷阀芯的裂纹检测。这个细分市场全国可能就几十家厂但每家都有这个需求而且大公司的通用方案在这个场景上误检率很高。他就靠这一件事一年做几个项目活得挺滋润。这个例子我后面还会展开讲。1.4 个人开发者的真实优势在哪里个人开发者做 AI 质检优势不在技术深度不在算力资源不在数据规模。这些方面你不可能跟大公司比。你的优势在三个地方第一是灵活性。大公司做一个项目要走需求评审、方案设计、开发、测试、交付的完整流程中间还有各种文档和会议。一个需求变更可能要等一个月才能排上。个人开发者今天发现方案有问题明天就能改。这种灵活性在工业现场特别重要因为现场的情况往往和实验室完全不一样你需要快速迭代。第二是成本结构。大公司养一个算法工程师一年成本几十万加上销售、管理、场地一个项目没有几十万根本做不下来。个人开发者没有这些 overhead几万块的项目也能做。这就让你能接触到那些大公司看不上的小客户而这些小客户里往往藏着大机会。第三是领域知识的积累。如果你专注在某一个细分领域做上三五个项目之后你对这个领域的理解会超过绝大多数大公司的通用方案。你知道这种材料在什么光照下缺陷最明显你知道这个工序的节拍是多少你知道工人最关心的是什么。这些知识是花多少钱都买不来的也是你最大的护城河。当然优势归优势坑也很多。接下来我会把整个流程拆开一个环节一个环节地讲。2. 从零到一一个 AI 质检项目的完整拆解2.1 第一步找到那个值得做的细分场景这是最重要的一步也是最难的一步。选错了场景后面所有努力都是白费。什么样的场景值得做我总结了一个简单的筛选框架你可以拿去用筛选维度值得做的信号不值得做的信号缺陷定义缺陷有明确标准好/坏边界清晰缺陷标准模糊不同人判断不一致检测频率每个产品都要检或者抽检比例高偶尔才需要检一次人工成本质检工人多或者工人难招质检岗位很轻松没人抱怨现有方案人工目检为主或者传统视觉效果差已有成熟的自动化方案客户意愿客户主动想解决这个问题你觉得客户应该解决这个问题数据可得能拿到足够多的缺陷样本缺陷率极低几个月才出一个这个框架里“客户主动想解决”和“能拿到足够多的缺陷样本”是最关键的两条。很多技术出身的开发者容易犯一个错误看到一个场景觉得“这个用深度学习肯定能做好”然后就一头扎进去。但客户可能根本不觉得这是个问题或者觉得现在的人工方式挺好的没必要花钱改。这种项目做出来也没人买单。反过来如果客户主动找到你说“我们这个工序的质检太痛苦了你能不能帮我们想想办法”那这个项目就值得认真考虑。因为客户有痛点有预算也有配合你采集数据的意愿。关于数据我再多说一句。缺陷样本的数量和质量直接决定项目的成败。如果一个缺陷几个月才出现一次你根本收集不到足够的样本来训练模型。这种场景要么用异常检测只学好品坏品靠偏离程度来判断要么干脆别做。异常检测后面会详细讲。2.2 第二步现场调研搞清楚真实需求找到场景之后不要急着写代码。先去现场看至少看一整天。看什么看工人怎么操作看产品怎么流动看光照条件看节拍要求看现有设备看空间限制。这些东西你在办公室里永远想不到。我举个例子。有一次我去看一个冲压件的质检工位。客户说“就是看看表面有没有划痕”。我到了现场才发现冲压件从模具里出来的时候是热的表面有油而且车间顶部有天窗不同时间段的光照完全不一样。如果我只在办公室里看客户发来的几张照片我可能会设计一个基于固定光源的方案到了现场根本没法用。现场调研要搞清楚的问题清单节拍是多少每个产品允许的检测时间是多少秒这直接决定了你能用多大的模型、需不需要做模型压缩。产品怎么上料是人工摆放还是自动流水线如果是人工摆放位置和角度的一致性如何光照条件可控吗能不能加遮光罩能不能加主动光源如果不能方案要怎么做缺陷率大概多少这决定了你采集数据的难度和模型评估的策略。现有质检标准是什么有没有边界样本边界样本怎么判工人怎么判断好坏他们看的是哪个区域用什么角度这个信息对你设计成像方案很有帮助。空间够不够相机、光源、工控机放哪里有没有震动有没有粉尘这些问题看起来琐碎但每一个都可能让你的方案推倒重来。我见过一个项目方案都做完了到现场发现相机没地方装最后只能换方案。2.3 第三步成像方案设计这是最容易被低估的环节很多算法出身的开发者有一个通病重算法轻成像。觉得只要模型够强图像差一点也能检出来。这个想法在学术数据集上可能成立在工业现场基本不成立。成像方案决定了你的检测上限。如果图像上根本看不到缺陷再强的模型也检不出来。反过来如果成像方案做得好缺陷在图像上清清楚楚哪怕用一个很简单的模型也能检出来。成像方案的核心要素相机、镜头、光源、工位设计。相机选型要考虑分辨率、帧率、接口、传感器类型。分辨率怎么算假设你要检测的最小缺陷是 0.1mm你希望这个缺陷在图像上至少占 3 个像素这是经验值低于 3 个像素模型很难学到稳定特征那么每个像素对应的实际尺寸就是 0.033mm。如果视野是 100mm x 100mm那么需要的分辨率就是 100/0.033 ≈ 3000也就是至少 3000 x 3000 像素的相机。这个计算过程你在选型的时候一定要做不要凭感觉。帧率怎么算如果节拍是 2 秒一个产品每个产品需要拍 4 个角度那么每个角度只有 0.5 秒包括拍照、传输、处理的时间。如果处理时间需要 0.3 秒那么拍照和传输必须在 0.2 秒内完成。这就对相机的帧率和接口带宽提出了要求。光源选型是成像方案里最讲究的部分。同样的缺陷用不同的光源打光在图像上的表现可能天差地别。常见的光源类型环形光通用性强适合大多数表面缺陷检测。条形光适合检测划痕、裂纹等有方向性的缺陷通过调整角度可以让缺陷更明显。同轴光适合检测反光表面的缺陷比如金属抛光面。背光适合检测轮廓、尺寸、孔洞。圆顶光适合检测曲面、反光表面的均匀照明。我个人的经验是光源方案往往需要现场试。你不可能在办公室里凭想象设计出一个完美的光源方案。带上几种不同的光源去现场对着实际产品打光看哪种方案下缺陷最明显。这个时间花得绝对值。工位设计也很重要。相机和光源怎么固定产品怎么定位需不需要触发传感器这些机械和电气的问题如果你不擅长最好找一个懂自动化的搭档或者让客户的设备工程师配合你。2.4 第四步数据采集与标注脏活累活但决定成败数据这件事我见过太多项目死在这里。不是技术问题是管理问题。采集多少数据这个问题没有标准答案但有一些经验值可以参考。对于分类任务好/坏二分类如果缺陷类型单一、背景稳定每类几百张可能就够了。如果缺陷类型多、形态变化大可能需要几千张甚至上万张。对于分割任务像素级标注数据需求更大因为标注成本高通常需要至少几百张精细标注的图像。但比数量更重要的是多样性。你的数据集里要包含不同光照条件、不同产品批次、不同缺陷形态、不同位置的样本。如果所有样本都是在同一天、同一个光照下采集的模型上线后遇到不同条件就会崩。怎么采集缺陷样本这是最头疼的问题。产线上的缺陷率往往很低你等一天可能就等到几个缺陷品。几个办法让客户配合攒样本。让产线工人把缺陷品留下来攒一两个月。这是最靠谱的办法但需要客户配合。人工制造缺陷。在某些场景下你可以人为制造缺陷比如用砂纸在好品上划出划痕。但要注意人工缺陷和真实缺陷在图像上可能有差异用人工缺陷训练的模型在真实缺陷上可能表现不好。数据增强。对已有的缺陷样本做旋转、缩放、亮度调整、加噪声等操作扩充数据集。但数据增强不能替代真实数据的多样性只能作为补充。异常检测。如果实在收集不到足够的缺陷样本可以考虑只用正常样本训练异常检测模型。这个后面会详细讲。标注怎么做如果项目预算允许找专业的标注团队。如果预算有限自己标或者找客户的人标。但不管谁标标注标准一定要统一。我见过一个项目两个人标同一批数据一致性只有百分之七十模型训练出来效果很差。解决办法是先标一批然后两个人对一遍把不一致的地方讨论清楚形成明确的标注规范再开始大规模标注。标注工具的选择分类任务用普通的文件夹分类就行检测任务可以用 LabelImg、CVAT 等分割任务可以用 LabelMe、CVAT。这些工具都是免费的够用。2.5 第五步模型选型与训练不要一上来就追新到了算法环节很多人的第一反应是“用最新的模型”。但在工业质检场景稳定比先进重要。分类任务判断好/坏ResNet、EfficientNet 这些经典网络足够了。如果你需要更轻量的模型MobileNet、ShuffleNet 也可以。不要一上来就用 Vision Transformer除非你有足够的数据和算力而且确实需要 attention 机制来捕捉全局信息。检测任务定位缺陷位置YOLO 系列是工业界用得最多的。YOLOv5、YOLOv8 都有成熟的工程实现部署也方便。如果你需要更高的精度可以考虑 Faster R-CNN但速度会慢一些。如果缺陷很小可以考虑用高分辨率输入或者专门的小目标检测方案。分割任务像素级缺陷分割U-Net 及其变体是工业质检里最常用的。DeepLab 系列也可以。如果缺陷边界很模糊分割任务本身就很困难需要谨慎评估。异常检测只有正常样本这是个人开发者应该重点关注的方向。因为很多工业场景缺陷样本极少异常检测可以只用正常样本训练。常用方法包括基于重构的AutoEncoder、VAE、基于特征的PatchCore、PaDiM、基于流的Normalizing Flow。这些方法在 MVTec AD 等公开数据集上都有不错的表现工程实现也不复杂。模型训练的一些实操要点输入尺寸不要盲目用 224x224 或 640x640。根据你的缺陷尺寸和相机分辨率来定。如果缺陷很小输入尺寸就要大一些或者用滑动窗口切图。数据增强工业质检场景下几何变换旋转、翻转要谨慎使用因为有些缺陷是有方向性的翻转后可能变成另一种缺陷。亮度、对比度调整通常安全。类别不平衡缺陷样本通常远少于正常样本。可以用加权损失、focal loss、或者过采样/欠采样来处理。验证集划分一定要按产品批次或时间段来划分验证集不要随机划分。随机划分会导致验证集和训练集来自同一批次评估结果过于乐观。模型评估不要只看准确率。工业场景下漏检把坏品判成好品和过杀把好品判成坏品的代价完全不同。通常漏检的代价更高所以要在保证漏检率足够低的前提下尽量降低过杀率。ROC 曲线和 PR 曲线都要看。2.6 第六步部署与集成最后一公里往往最磨人模型训练好了只是完成了百分之六十。部署和集成才是真正磨人的地方。部署环境工厂现场通常没有 GPU 服务器或者只有很老的工控机。你需要考虑模型能不能在 CPU 上跑或者需不需要加一张推理卡。如果节拍要求高GPU 是必须的。如果节拍宽松CPU 也能凑合但要做模型量化或剪枝。推理框架TensorRT、OpenVINO、ONNX Runtime 都是常用的。选哪个取决于你的硬件和模型。TensorRT 在 NVIDIA GPU 上性能最好OpenVINO 在 Intel CPU 上优化得好ONNX Runtime 通用性强但性能不一定最优。与现有系统集成质检系统通常需要和 PLC、MES、上位机软件对接。你需要知道怎么通过 TCP/IP、Modbus、OPC UA 等协议和这些系统通信。如果你不熟悉工业通信协议这部分可能需要找人帮忙。人机界面操作工人需要一个简单的界面来看检测结果、处理报警、导出数据。这个界面不需要多漂亮但一定要简单易用。工人不会用复杂的软件按钮要大信息要清晰报警要醒目。误检处理机制再好的模型也会有误检。你需要设计一个机制让工人可以快速处理误检比如把误检的图片标记出来定期反馈给模型做迭代。这个反馈闭环非常重要是模型持续优化的基础。3. 技术方案选型不同场景下的最优解3.1 传统视觉 vs 深度学习不是二选一很多人把传统视觉和深度学习对立起来觉得深度学习一定比传统视觉好。这个想法不对。在实际项目中两者往往是互补的。传统视觉的优势可解释性强、计算量小、不需要训练数据、对确定性任务如尺寸测量精度高。劣势对复杂缺陷的适应性差、规则难维护、换一个产品就要重新调参。深度学习的优势对复杂缺陷适应性强、泛化能力好、不需要手工设计特征。劣势需要大量数据、可解释性差、计算量大、对成像条件敏感。我的建议是能用传统视觉解决的优先用传统视觉。传统视觉解决不了的再用深度学习。很多项目其实是混合方案传统视觉做定位和尺寸测量深度学习做表面缺陷检测。举个例子。一个连接器的质检需要检测引脚有没有歪、有没有缺、间距对不对。引脚的位置和间距可以用传统视觉做精度高、速度快。引脚的表面有没有划伤、氧化可以用深度学习做。两者结合既保证了精度又覆盖了复杂缺陷。3.2 异常检测小样本场景的救命稻草如果你的缺陷样本极少异常检测是值得认真考虑的方向。异常检测的核心思想是只学习正常样本的分布然后判断新样本是否偏离这个分布。常用的异常检测方法方法原理优点缺点AutoEncoder重构正常样本重构误差大的判为异常简单、易实现对复杂纹理效果一般VAE学习正常样本的隐空间分布生成能力强训练不稳定PatchCore用预训练特征做最近邻搜索效果好、不需要训练推理速度慢、内存占用大PaDiM用预训练特征做多元高斯分布建模效果好、推理快对特征选择敏感Normalizing Flow学习正常样本的概率密度理论优雅实现复杂PatchCore 和 PaDiM 是我个人比较推荐的因为它们在 MVTec AD 数据集上表现很好而且工程实现相对简单。PatchCore 的核心思想是用预训练网络提取正常样本的特征存到一个 memory bank 里推理时看新样本的特征和 memory bank 里的特征距离有多远。距离超过阈值就判为异常。异常检测的注意事项阈值选择异常检测的输出是一个异常分数你需要选一个阈值来判定好/坏。阈值选高了漏检多选低了过杀多。通常需要在验证集上画 ROC 曲线根据业务需求选一个合适的阈值。正常样本的多样性正常样本也要覆盖不同的光照、批次、位置变化否则模型会把正常的波动当成异常。缺陷定位异常检测通常只能给出“这个图有异常”不能给出“异常在哪里”。如果需要定位可以用 PatchCore 的热力图或者结合分割模型。3.3 小样本学习与迁移学习少数据情况下的策略如果缺陷样本有一些但不多比如每类只有几十张可以考虑小样本学习或迁移学习。迁移学习是最常用的。用 ImageNet 上预训练的模型在 your 数据集上微调。如果数据很少可以冻结前面的层只训练最后的分类层。如果数据稍多一些可以解冻部分层做微调。小样本学习的方法包括原型网络、匹配网络、MAML 等。这些方法在学术上很热门但在工业现场用得不多因为实现复杂而且效果不一定比精心调参的迁移学习好。我的建议是优先用迁移学习把数据增强和正则化做好往往就能达到不错的效果。如果实在不够再考虑异常检测。3.4 边缘计算 vs 云端推理怎么选工业质检通常要求实时性所以边缘计算是主流。但也有一些场景适合云端推理。边缘计算在工控机或边缘设备上跑模型。优点是延迟低、数据不出厂、不依赖网络。缺点是算力有限、部署和维护麻烦。云端推理把图像传到云端在云端跑模型返回结果。优点是算力无限、模型可以很大、维护方便。缺点是延迟高、依赖网络、数据安全有风险。怎么选看节拍要求和网络条件。如果节拍在几百毫秒以内边缘计算是必须的。如果节拍宽松比如几秒一个而且工厂网络稳定云端推理也可以考虑。但数据安全是个问题很多工厂不愿意把生产图像传到外面。我个人的建议是优先边缘计算。哪怕用一个小型的 GPU 工控机也比云端靠谱。工业现场的网络条件往往没有你想象的那么好而且一旦断网产线就停了这个责任你担不起。4. 实操避坑指南那些我踩过的坑4.1 数据相关的坑坑一用随机划分的验证集评估模型。这是最常见的错误。如果你的数据是按批次采集的随机划分会导致验证集和训练集来自同一批次模型在验证集上表现很好上线后遇到新批次就崩了。正确的做法是按批次或时间段划分验证集。坑二数据增强过度。我见过一个项目开发者对缺陷样本做了大量的旋转、翻转、缩放结果模型学到了一些不存在的特征上线后误检率很高。数据增强要适度而且要根据缺陷的特性来选择增强方式。坑三标注不一致。前面提过两个人标同一批数据一致性可能只有百分之七十。解决办法是制定详细的标注规范先标一批做一致性检查统一标准后再大规模标注。坑四忽略正常样本的多样性。很多人只关注缺陷样本觉得正常样本随便采一些就行。但实际上正常样本的多样性同样重要。如果正常样本都是同一天采集的模型会把其他日期的正常波动当成异常。4.2 模型相关的坑坑一盲目追求新模型。我见过一个项目开发者非要用最新的 Vision Transformer结果数据不够训练出来效果还不如 ResNet。模型选型要匹配数据量和任务复杂度不要为了用新模型而用新模型。坑二忽略推理速度。训练的时候只看准确率不看推理速度上线后发现模型太慢节拍跟不上。训练的时候就要考虑部署环境选一个推理速度满足要求的模型。坑三过拟合。工业质检场景数据量通常不大过拟合很常见。解决办法数据增强、正则化、早停、交叉验证。如果还是过拟合说明模型太复杂了换一个简单点的模型。坑四只关注准确率不关注漏检率和过杀率。工业场景下漏检和过杀的代价完全不同。评估模型的时候要分别看这两个指标根据业务需求来调整阈值。4.3 部署相关的坑坑一现场环境和实验室环境差异大。实验室里光照稳定、产品干净、相机固定现场可能完全不是这样。部署前一定要去现场测试带上实际产品在实际光照下跑一遍。坑二忽略震动和温度的影响。工厂现场有震动相机和光源可能会松动。温度变化可能导致相机成像质量变化。这些因素都要考虑必要时加防震措施和温度补偿。坑三没有误检处理机制。再好的模型也会有误检。如果没有一个机制让工人快速处理误检工人很快就会对系统失去信任最后干脆不用了。误检处理机制包括简单的确认/否认按钮、误检图片自动保存、定期反馈给模型迭代。坑四和现有系统集成困难。质检系统不是孤立的需要和 PLC、MES 等系统对接。如果前期没有考虑集成问题后期可能会很麻烦。建议在方案设计阶段就把集成需求搞清楚。4.4 商务相关的坑坑一报价太低。个人开发者容易犯的一个错误是报价太低觉得先拿下项目再说。但 AI 质检项目的隐性成本很高现场调研、数据采集、标注、训练、部署、调试、售后每一个环节都可能花很多时间。报价太低最后可能亏本。坑二需求蔓延。客户一开始说“就检测这一个缺陷”做着做着变成“能不能顺便把这个也检了”。需求蔓延是项目失控的主要原因。建议在合同里明确界定检测范围和验收标准超出范围的需求另外报价。坑三没有验收标准。什么叫“检测准确率达标”是漏检率低于多少过杀率低于多少在什么数据集上评估这些都要在合同里写清楚否则验收的时候容易扯皮。坑四忽略售后。模型上线后随着产品批次变化、设备老化、光照变化模型效果可能会下降。客户会找你维护。如果你没有考虑售后成本后期可能会很被动。建议在报价里包含一定期限的免费维护超出期限的维护另外收费。5. 个人开发者的商业化路径5.1 从项目制到产品化个人开发者最开始通常是做项目一个客户一个客户地做。项目制的问题是每个项目都要重新做一遍需求调研、数据采集、模型训练、部署边际成本很高很难规模化。做上几个项目之后你应该思考哪些东西是可以复用的比如你的训练框架、部署工具、标注工具、数据管理工具这些都可以沉淀下来变成你的“内部产品”。下次做新项目的时候直接复用这些工具可以大大缩短交付周期。再进一步如果你发现某个细分场景的需求特别多而且需求高度相似你可以考虑把这个场景做成标准化产品。比如专门做某种材料的表面缺陷检测把成像方案、模型、软件界面都标准化客户拿过去就能用。这样你的边际成本就大大降低了。但产品化不是一蹴而就的。我的建议是先做项目在项目中积累领域知识和可复用组件等某个场景做熟了再考虑产品化。不要一上来就想着做产品那样很容易闭门造车。5.2 定价策略怎么报价才不亏AI 质检项目的报价我建议按以下几个部分来算调研和方案设计费按人天算通常占总报价的百分之十到二十。数据采集和标注费按实际工作量算如果客户能配合采集数据这部分可以省一些。模型开发和训练费按人天算这是主要成本。部署和集成费按人天算现场调试往往比预想的耗时。软件授权费如果软件可以复用可以收一个授权费。售后维护费按年收通常是项目总价的百分之十到二十。报价的时候一定要留出足够的 buffer。AI 质检项目的不确定性很高你可能遇到各种意想不到的问题。如果报价太紧最后可能亏本。5.3 客户从哪里来个人开发者没有销售团队客户从哪里来几个渠道行业展会工业领域的展会很多去展会发名片、聊需求是获取客户的有效方式。老客户介绍做好一个项目客户满意了他会帮你介绍同行。工业圈子不大口碑很重要。行业社群很多行业有微信群、QQ群在里面活跃一些分享一些干货慢慢就会有客户找上门。设备集成商很多工厂的自动化改造是设备集成商做的和集成商合作让他们帮你带项目是一个稳定的渠道。线上内容写技术博客、发视频展示你的专业能力也会有客户主动联系。我个人的经验是老客户介绍和集成商合作是最靠谱的两个渠道。展会可以快速积累人脉但转化率不一定高。线上内容需要长期坚持但一旦建立起专业形象获客成本会很低。5.4 一个人干还是组队干AI 质检项目涉及算法、软件、电气、机械等多个方面。一个人很难全部搞定。我的建议是算法和软件自己搞定。电气和机械找一个靠谱的搭档或者外包给专业的集成商。现场实施如果自己搞不定可以找客户的设备工程师配合。不要试图一个人干所有事。你不擅长的部分外包出去把精力集中在你最擅长、最有价值的部分。6. 这个方向还值不值得进6.1 市场现状与趋势传统制造业的 AI 质检整体上还处于早期阶段。虽然头部大厂已经在做一些标杆项目但广大的中小制造企业大部分还在用人工目检。这个市场的渗透率还很低空间还很大。从技术趋势看几个方向值得关注小样本和异常检测解决数据不足的问题降低项目门槛。自监督学习利用大量无标注数据预训练减少对标注的依赖。边缘 AI 芯片算力越来越强成本越来越低让边缘部署更容易。低代码/无代码平台让非算法背景的工程师也能做 AI 质检扩大市场覆盖面。这些趋势对个人开发者来说总体是利好。因为门槛在降低工具在成熟你可以把更多精力放在理解场景和解决实际问题上而不是从头造轮子。6.2 个人开发者的机会窗口我认为个人开发者的机会窗口还在但窗口在收窄。随着大公司往下沉随着低代码平台的普及一些简单的、通用的质检需求会被标准化产品覆盖。个人开发者的机会会越来越集中在那些非标的、细分的、需要深度领域知识的场景。如果你现在想进这个方向我的建议是选一个你熟悉的行业。如果你之前在某个制造业领域工作过那是最好的切入点。你懂这个行业的语言懂这个行业的痛点懂这个行业的人。从小场景切入。不要一上来就想做整条产线的质检先做一个工位、一个缺陷类型。做透了再扩展。积累数据和领域知识。这是你最大的护城河。算法可以学工具可以用但对某个细分场景的深度理解是需要时间积累的。保持耐心。AI 质检不是赚快钱的行业。一个项目从接触到交付可能要好几个月。你需要有足够的耐心和现金流来支撑。6.3 给新入行者的三个建议第一先找一个真实项目练手。不要一直在家里看论文、跑公开数据集。找一个真实的工厂哪怕不赚钱先做一个项目。真实项目里你会遇到各种公开数据集里没有的问题这些经验才是最宝贵的。第二把成像方案放在第一位。算法再强图像不行也白搭。花时间研究光源、相机、工位设计这些投入的回报比调参高得多。第三学会和工厂的人打交道。工厂的人和互联网的人不一样。他们务实、直接、注重结果。不要跟他们讲太多技术术语讲他们能听懂的话帮他们解决实际问题。信任建立起来了后面的合作就顺了。这个方向不是一条容易的路但对于愿意深耕某个细分领域的个人开发者来说它仍然是一条值得走的路。关键不在于你有多强的算法能力而在于你愿不愿意沉下去真正理解一个行业、一个场景、一个痛点然后用技术把它解决掉。