返回文章列表
加西贝拉如何用AI视觉检测提升压缩机质检效率案例
📌 摘要
加西贝拉，采用"大模型+小模型"协同作战的AI检测架构，解决定子人工目检漏检率高的难题，实现综合检测准确率高于99.5%、漏检率从2-3%降至0.2%以下。
📖 本案例根据 ENI经济和信息化网报道整理 · 查看原文 →
企业背景
加西贝拉压缩机有限公司成立于2006年，是中荷合资企业，总部位于浙江省嘉兴市。公司是全球最大的冰箱压缩机供应商之一，年产压缩机数千万台，客户覆盖海尔、美的、西门子、博世等全球知名家电品牌。
作为精密制造企业，加西贝拉对产品质量要求极高——一个有瑕疵的定子装进压缩机，可能导致整台冰箱在用户家中"罢工"，维修成本是出厂价的数倍，更严重时会导致品牌声誉受损。因此，定子外观缺陷检测是决定产品质量的关键关卡。
面临的问题
过去，这道工序全靠人工目检——经验丰富的质检员坐在流水线旁，肉眼检查每一个定子，判断有无划痕、毛刺、凹陷、涂层脱落等缺陷。
人工质检的痛点：
1. 眼睛会累：质检员连续工作2小时后，注意力明显下降，漏检率上升
2. 标准因人而异：不同质检员对"划痕"、"毛刺"的判断标准不同，导致检测结果不一致
3. 检测速度慢：人工目检速度约10-15秒/个，跟不上高速运转的生产线（每分钟数十个）
4. 人力成本高：10条生产线需要数十名质检员，三班倒需要近百人
5. 无法数据化：人工检测的结果难以数字化记录，无法用于质量分析和工艺优化
解决方案
加西贝拉的AI检测方案采用了"大模型+小模型"协同作战的架构：
大模型（VLM视觉语言模型）负责"识别"
• 见过数百万张定子图片，能够理解"什么算合格、什么算缺陷"的复杂判断逻辑
• 不仅能识别明显的划痕、毛刺，还能识别细微的涂层不均匀、色差等复杂缺陷
小模型（轻量化CNN卷积神经网络）负责"速度"
• 经过知识蒸馏和模型压缩，可以在生产线毫秒级的检测节拍内完成实时推断
• 单样本检测速度达到毫秒级，远超人工的10-15秒/个
协同工作机制：
• 小模型在实际产线上跑，处理95%以上的常规样本
• 遇到不确定的样本（置信度低于阈值），再回传给大模型确认
• 大模型确认后的结果，又用于继续训练小模型，形成"持续学习"闭环
这种"双模型"架构在工业质检中非常实用——既保证了准确率，又保证了实时性。
实施效果
| 指标 | 效果 |
|---|---|
| 缺陷识别准确率 | 超过99.8% |
| 综合检测准确率 | 高于99.5% |
| 检测速度 | 毫秒级（单样本） |
| 年经济效益 | 760万元（按10条生产线计算） |
| 已部署生产线 | 10条 |
| 技术路线 | 大模型与小模型协同 |
• 质量提升：漏检率从人工的2-3%降低到0.2%以下
• 成本节约：10条生产线减少质检员数十人，年节约人力成本数百万元
• 效率提升：检测速度从10-15秒/个提升到毫秒级，生产节拍不再受质检瓶颈限制
• 数据价值：所有检测结果数字化记录，可用于质量分析、工艺优化和供应链追溯
经验启示
1. "大模型+小模型"是工业AI质检的最优架构• 大模型负责"精度"（识别复杂缺陷）
• 小模型负责"速度"（实时推断）
• 两者协同，兼顾准确率和实时性
2. 从"最容易"的缺陷类型开始
• 加西贝拉先从"划痕"、"毛刺"等明显缺陷开始，AI准确率达到99%以上后，再扩展到"涂层不均匀"等复杂缺陷
• 分阶段推进，降低项目风险
3. 持续学习是AI质检的核心竞争力
• 产线每天产生数万个新样本，这些样本是"免费的标注数据"
• 建立"人工复核→模型retrain"的闭环，让模型越来越聪明
4. 数字化是AI质检的"隐藏价值"
• 人工检测无法记录每个定子的"缺陷位置"、"缺陷类型"等细节
• AI质检可以，这些数据可用于工艺优化（比如发现"某台机床加工的定子缺陷率偏高"）