工厂上AI视觉系统前，先回答这3个问题（否则20万可能白花）

我见过不少工厂老板，花二三十万上了AI视觉系统。验收那天准确率98%，一个月后设备吃灰，最后又把质检员请了回来。不是技术不行，而是一开始就不该上。

先说结论。

你的工厂适不适合上AI视觉系统，判断其实很简单——满足下面三个条件中的两个以上，再认真评估：

条件	你的情况
检测规则明确且可标准化	是/否
产线检测压力大（速度>人工极限）	是/否
人工成本高或招人难	是/否

两个以下"是"：先别上，把钱花在更紧迫的地方。

两个以上"是"：继续往下看。

三个都是"是"：值得认真评估，但别急着采购设备，先把后面几个坑看完。

---

为什么判断"该不该上"比"怎么做"更重要？

Cognex是全球最大的机器视觉公司，他们给过一个数据：50-70%的机器视觉项目未能达成目标。

不是技术做不出来。而是很多项目一开始就不该做。

我干工业视觉快十年，接触过各种类型的视觉项目——从缺陷检测到SOP行为检测，从条码识别到尺寸测量。经验告诉我，AI视觉系统不是万能的，它只解决一类特定问题。

很多人搞混了一件事：把"AI视觉系统"等同于"AI缺陷检测"。实际上，工业视觉至少涵盖这些类型：

类型	典型场景	举例
缺陷检测	表面缺陷、脏污、缺件、异物	划痕>2mm、缺少螺丝
测量检测	尺寸、间距、公差	轴承外径±0.01mm
分类识别	型号分拣、等级分类、颜色分选	合格/不合格/返工
OCR识别	条码、二维码、字符读取	包装批号追溯
SOP行为检测	操作规范、装配顺序	必须先扫码后装配
安全监管	闯入区域、人员聚集、烟火	叉车进入限制区
过程监控	设备状态、工位操作	是否使用指定工具

这些场景有一个共同点：规则必须明确且可标准化。

这就是判断该不该上的核心。

---

30秒自评：三个维度

维度一：检测规则是否明确且可标准化？

适合的场景：

缺陷检测类：

• 划痕长度>2mm判定不合格
• 缺少螺丝、缺少标签
• 尺寸超出公差范围

SOP/行为检测类：

• 必须先扫码后装配
• 必须佩戴安全帽/手套
• 必须使用指定工具

安全监管类：

• 人员闯入危险区域报警
• 特定工位无人操作超时预警

不适合的场景：

• “老师傅看一眼觉得不对劲”
• 靠经验判断手感、质感
• 品质主管凭感觉放行

一句话：如果你自己都说不清"好"和"坏"的标准，AI更说不清。

维度二：产线检测压力是否足够大？

情况	判断
产线速度>60件/分钟，人工检不过来	强适合
需要夜班质检，招人难留人难	强适合
需要持续盯控（安全/合规/行为规范）	适合
日产量<500件，人工质检绰绰有余	不值得
小批量多品种，换线比生产还频繁	不适合

麦肯锡2025年报告显示，全球灯塔工厂部署视觉AI后，检测效率提升最多50%。但前提是你的产线有足够的检测量来摊薄投入。

维度三：人工成本是否构成瓶颈？

算一笔账：

• 一名质检员年成本（工资+社保+管理）：8-12万
• 如果你现在有3名质检员在同一个工位轮班，年人工成本约25-35万
• 一个工位的视觉系统：几万到十几万（一次性投入）
• 加上年度维护：1-3万

替代2名以上质检员时，通常1-2年回本。

如果你的质检岗只有1个人，或者招人并不难——先别急。

---

为什么70%的视觉项目做不成？

即便是相对成熟的行业，仍有大量项目无法达到预期效果。Cognex（全球最大的机器视觉公司）给出的数据是50-70%未能达成目标。RAND Corporation 2025年的研究更触目惊心：80%的AI项目未能交付预期商业价值，33%在进入生产前直接被放弃。

为什么会这样？我见过最常见的四个坑：

坑1：光照——搞砸项目的头号杀手

业内有句话：“光照搞砸的项目比算法搞砸的还多。”

供应商来做Demo的时候，光照都是精心调好的——专业光源、暗室环境、稳定的产品姿态。到你现场，早班和晚班的光线不同，夏天和冬天不同，隔壁产线的工人走过来手里拿了个反光的东西，整个画面就变了。

怎么避：在上设备之前，先让供应商在你真实的车间、真实的产线、真实的班次做测试。至少跑满一个完整的白班+夜班。

坑2：样本——Demo用的都是"好样品"

Demo的时候，供应商拿的是精心挑选的标准样品——干净的、无油渍的、批次一致的。

到了生产线上来的是：沾了机油的、换了供应商材料的、工人手汗印上去的。

RAND的数据显示，54%的项目直接死在POC阶段，原因就是数据采集问题。模型在Demo上99%准确率，到了现场可能掉到70%甚至更低。

怎么避：一定要用真实生产环境的样品做验证。如果供应商不敢用你的真实样品，说明他自己也不确定能不能做成。

坑3：MES对接——最容易被低估的代价

检测系统跑得好好的，但结果传不到你的MES/ERP里，还得人工记录。等于自动检测了一半，另一半还是手动。

怎么避：在方案阶段就明确三件事：检测结果怎么传？传到哪里？接口谁来做？做到什么程度算验收完成？

坑4：验收标准——没有KPI的项目大概率失败

有明确KPI的项目，成功率54%。凭感觉做的，成功率只有12%。

很多项目的合同里只写"实现视觉检测功能"，不写"漏检率≤0.5%、误检率≤3%"。结果供应商装完设备、收完钱就走了，你发现准确率只有60%，退都没法退。

怎么避：合同里写清楚数字指标。如果供应商不敢承诺数字，说明他自己也没把握。

---

要花多少钱？

不同行业、不同场景差异极大，以下仅为量级参考，不是报价单。

档位	复杂度	量级范围	典型场景
简单	单一规则，标准产品	几万~十几万	条码识别、缺件检测、安全帽检测
中等	多规则，需要定制	十几万~几十万	外观缺陷检测、SOP行为检测、尺寸测量
高	复杂表面，多工位联网	几十万~上百万	反光件缺陷检测、多工位质量追溯、全产线覆盖

68%的制造商在首个视觉项目上预算超支，实际费用比初始报价高40-60%。 超支的主要原因是隐性成本：

• 停机配合安装的时间成本
• 与现有系统的对接开发
• 新产品上线时的模型重新训练
• 长期维护与技术支持

预算自查清单（报方案前问供应商这5个问题）：

1. 报价包含现场安装调试吗？调试周期多长？
2. MES/ERP对接另外收费吗？
3. 新产品上线时，模型重新训练怎么收费？
4. 年维护费多少？包含哪些内容？
5. 效果不达标，退款条款是什么？

---

多久能回本？

别被"三个月回本"的承诺诱惑。ROI不是越短越好，而是越确定越好。 三个月回本但成功率30%，不如两年回本但成功率90%。

用你自己的数据算：

年度节省 = 人工成本减少 + 漏检损失减少 + 客诉成本减少
年度运营成本 = 年维护费 + 模型迭代费
投资回收期 = 项目总投入 ÷ 年度净收益

算个实际例子——电子厂SMT产线：

• 现有质检员成本：60万/年
• 年漏检导致客诉：约15万
• 视觉系统投入：20万
• 年维护费：3万/年

视觉系统上线后，通常仍需要人员负责巡检和异常复核，因此人工成本不会降为零。假设人工质检成本下降40万/年，客诉损失减少15万/年：

年度节省 = 40万 + 15万 = 55万
年度运营成本 = 维护费 3万
年度净收益 = 55万 - 3万 = 52万
投资回收期 = 20万 ÷ 52万 ≈ 4.6个月

但如果你的工位本来就只有1个质检员，漏检损失也不大，那么即使系统技术上能做，经济账也未必划算。这种情况下，项目价值更多来自质量追溯、合规要求或客户验厂要求，而不是直接节省人工。

行业参考：聚焦单一痛点、场景明确的导入，回本周期通常1-3年。

---

我的三个建议

1. 先花小钱做可行性验证

花几千到一万块，找懂行的团队来现场看一眼。让他评估光照条件、产品特性、大概配置。这一步能帮你筛掉大部分"不该上"的项目。

2. 聚焦一个最痛的工位

别一上来就搞整条产线。选一个人工成本最高、或者漏检损失最大的单一工位，把它做好。成功一个，再复制一个。

3. 算清账再动手

用上面的ROI框架算一下。回本周期>3年，或者年度净节省<5万——先别上。

---

AI视觉系统是个好东西，但它不是万能的。该上的上，不该上的别硬上。

AI视觉系统最贵的不是几十万的设备，而是花了几十万之后发现，它解决的根本不是你的问题。

如果你正在评估AI视觉项目，但拿不准到底值不值得做，可以先别急着采购设备。

把产品、现场环境和检测需求梳理清楚，很多项目其实在立项阶段就能判断出成功概率。

毕竟，最便宜的项目不是做成的项目，而是一开始就知道不该做的项目。

---

数据来源：Cognex行业白皮书、RAND Corporation 2025 AI项目失败模式研究、麦肯锡/WEF全球灯塔工厂报告。