AI视觉质检如何让钢球全检成为现实：北京凡钢科技的工业实践

背景与挑战

钢球是轴承的核心零件，广泛应用于电动汽车、人形机器人等高端制造领域。高质量的钢球直接决定设备运行的可靠性。然而，钢球质检长期面临一个工业级难题：直径最小仅3.969毫米的钢球，其表面缺陷——擦伤、划伤、裂纹、凹坑、杂质——往往只有微米级别，肉眼根本无法分辨。

传统质检采用人工抽检模式，从每批次十几万颗钢球中按10%比例抽取，由经验丰富的检验员借助检测仪逐颗检查。这种方式存在三个根本性缺陷：

• 效率瓶颈：熟练检验员每小时仅能检查约300颗，面对日产数万颗的产线远远不够。
• 标准不一致：不同检验员的判定标准存在主观差异，同一颗钢球可能被不同人判定为合格或不合格。
• 不良率天花板：抽检体系下，只要不良率低于5%即判定为通过，这种机制本身无法推动品质进一步提升。

该山东轴承厂此前尝试过多种改进方案——增加检验员、提高检测仪放大倍率、采购进口光学设备、提高抽检比例——但要么成本过高，要么效果有限，始终无法突破"小钢球缺陷微细、批量质检效率低"的困局。

AI解决方案

北京凡钢科技创始人卢无为带领团队，将整个质检流程拆解为三个核心环节，针对性地构建AI解决方案：

第一步：让AI看得清。 在传送带两侧各安装一台高速工业相机，对每颗钢球进行360度连拍。为解决油污反光和车间光线不一致的问题，团队为相机设计了带罩的可调灯箱，开机自动调亮度，确保不同车间的拍摄效果一致。值得注意的是，团队最初计划使用百万元级芯片级相机，但实测发现几万元的工业相机配合定制光源和镜头即可满足需求。

第二步：让AI学得会。 基于通用大模型进行钢球缺陷的专项训练。缺陷分类依据国家行业标准，不同规格钢球的检验标准统一，为模型训练提供了清晰的标签体系。为提升标注效率，团队采用半自动标注工具——机器先圈出可疑区域，人工快速确认，标注效率提升数倍。

第三步：让AI判得准。 设计"现场秒判+夜间进修"的持续学习机制：白天AI在工厂现场实时推理，上传照片后几乎立刻出结果；晚上将当天数据上传云端进行训练优化，次日模型即完成迭代升级。这种边缘推理与云端训练相结合的架构，兼顾了实时性和持续进化能力。

实施过程

项目落地过程中，团队经历了多次试错：

最典型的弯路是"清洁方案"。最初认为油污影响检测，便投入大量人力在检测前擦拭钢球表面。但擦拭带来了新问题——抹布纤维、静电灰尘等新杂质。更严重的是，油污实际上保护钢球免受磨损，清理后钢球在传输中反而容易产生新划痕。这一阶段投入了几十万元的设备和人力成本。

转折点出现在团队决定"带油检测"——不再试图消除油污，而是针对油污环境建模，让AI学会在有油污的情况下识别缺陷。这一思路转变使检测准确率大幅提升。

在人员适应方面，工厂里从事质检数十年、被称为"火眼金睛"的老师傅最初对AI系统持怀疑态度。转折发生在一次雨天，车间光线暗淡，AI热力图标出了缺陷区域，但老师傅用肉眼和显微镜反复查看均认为合格。经高精度设备复检，证实AI判断正确——存在极轻微的裂纹，在当时光线条件下人眼难以察觉。此后，这位老师傅主动转型为模型的"教练"，将几十年的经验反馈给AI系统，帮助持续提升检测精度。

成效与数据

系统部署后，各项指标均实现了质的飞跃：

• 检测速度：每小时5万颗，是人工的100多倍
• 检测准确率：达到95%左右
• 人力节约：单条产线从6-7人轮班缩减至1人监控，人力成本从年均40多万降至几万元
• 质量模式升级：从抽检（10%）跃升为全检（100%），每一颗钢球都经过AI检测
• 经济效益：质量稳定性大幅提升，客户退货和罚款显著下降，年节省近300万元

启示与借鉴

该案例提供了工业AI落地的三条关键方法论：

系统性拆解优于逐点突破。 凡钢科技没有笼统地"用AI解决质检问题"，而是将其拆解为"看得清、学得会、判得准"三个具体子问题，每一步都有明确的技术路径。这种结构化思维适用于任何复杂的工业AI项目。

一线工人的参与决定项目成败。 老师傅从怀疑者转变为AI教练的过程，说明AI项目的最大阻力往往不在技术层面，而在于人的接受度。通过红框热力图等可解释性设计，让一线人员理解AI的判断依据，是建立信任的关键。

数据闭环构建持续进化能力。 "现场秒判+夜间进修"模式让AI系统具备自我进化能力，避免了一次性部署后迅速过时的常见问题。这种数据持续流动的架构设计，是工业AI项目长期运行的基础保障。

当前系统仍有提升空间——剩余5%的误差主要来自极轻微缺陷和表面杂质干扰。团队正在探索新思路：从"识别坏球"转向"识别好球"，凡是不符合好球标准的一律判定为不合格，以期进一步突破准确率瓶颈。