无处不在,搜你所想

智能制造是制造业数字化转型的主攻方向，依靠新一代信息技术与先进制造技术的深度融合，覆盖了设计、生产、销售、服务等整个制造过程，且具备自感知、自学习、自决策、自执行、自适应等能力。

作为保障产品质量的关键环节，质检对智能制造至关重要，然而传统的依赖人工目视检查的质检模式，存在效率低下、成本高昂、误检漏检率高等问题，难以满足智能制造对高效、精准、柔性化质检的需求。

5月25日，在数字中国建设峰会数字经济论坛上，华为与国家发改委创新驱动发展中心（数字经济研究发展中心）联合发布了《企业数字化转型投入产出关系研究报告——数字化转型助力高质量发展》。《报告》以汽车、煤炭、家电三个重点行业为例，对数字化转型高价值场景进行了投入产出测算和分析，为其他行业提供参考。

其中，在家电行业的质检场景下，探讨AI大模型如何为制造业质检智能化升级提供全新的解决方案。

传统质检模式主要依赖人工目视检查，随着制造业生产规模的扩大、产品复杂度的提升、以及对质量要求的日益提高，传统质检模式的弊端日益凸显。

一是效率低下，人工检测依赖工人的经验和专注力，大批量检测情况下漏检、误检等情况时有发生，尤其难以满足大规模生产线的节拍需求，严重制约了产能提升。特别是一些需要进行精密检测的行业，人工质检的缺陷更为突出。

二是成本高昂，人工质检需要大量人力投入，产品生产节拍较高时需要大量质检人员进行质量检测，且人员培训成本较高。同时，人工质检还存在人员流动性大等问题，进一步加剧了企业的成本压力。

三是精度局限，人工检测依赖工人的经验和专注力，受主观因素影响较大，大批量检测情况下检测精确度低，产品报废率高。特别是在一些对缺陷容忍度极低的行业，人工质检的精度局限性难以满足行业要求。

四是数据孤岛，传统质检缺乏有效的数据积累和分析机制，难以对生产工艺进行优化改进，无法形成数据驱动的质量管理闭环。质检数据缺乏有效整合和分析，无法为企业决策提供数据支撑。

《报告》以家电行业中洗衣机滚筒零部件检测这一具体场景举例，展示了AI大模型如何应用于洗衣机滚筒零部件的缺陷检测并取得的显著成效。

AI 质检主要应用于以下几个方面：

1. 图像采集与预处理：利用高清摄像头采集产品图像，并进行预处理，例如去噪、增强对比度等， 提高图像质量，为后续的缺陷识别提供高质量的输入数据。

2. 缺陷识别与分类：基于大模型训练的深度学习算法，对产品图像进行分析，识别和分类缺陷类型。大模型可以学习复杂的缺陷特征，例如划痕、凹陷、色差、异物等，并根据缺陷的严重程度进行分级。

3.结果输出与反馈：将检测结果实时输出，并对缺陷产品进行标记和报警， 便于后续的维修处理。同时将数据反馈至生产系统，例如 MES 系统，用于优化生产工艺参数，改进产品设计，提升产品质量。

在AI质检系统的应用下，生产效率、生产质量都有所提升，运营成本大幅降低。

详细来看，AI 质检系统将单个零件检测时间从 50 秒缩短至 4 秒，质检速度提升 10 倍以上。缺陷检出率从 90% 提升至 98%，良品率提升 0.08%，有效降低了不良品流入市场的风险。

由此可以看出，大模型驱动的 AI 质检，有效提高了质检效率，降低了产品缺陷率，提升了产品质量，降低了生产成本。同时AI 质检系统积累的质检数据，可以为优化生产工艺、改进产品设计提供数据支撑，推动制造业向精益化、智能化方向发展。

不仅是家电领域，AI大模型还能驱动其他制造业领域的应用潜力，例如在汽车制造领域，AI质检可以应用于车身、发动机、零部件等外观缺陷检测，以及焊接、装配等工艺质量检测，提升汽车制造的精度和效率。在电子制造领域，AI质检可以应用于 PCB 板、芯片等电子元器件的缺陷检测，提高电子产品的可靠性和稳定性。

AI大模型技术的应用，为制造业质检带来了颠覆性变革，为企业带来实际价值，提升企业核心竞争力。

在价值驱动下越来越多的制造业企业会拥抱大模型技术，进而推动智能制造的进程。