【方案】东莞厚街家具厂AI质检硬件方案实战分享

东莞厚街是中国著名的家具生产基地，传统家具质检依赖人工目检，效率低、成本高、易漏检。
今天分享一个真实的AI质检硬件方案，帮助家具厂实现智能化升级：
一、硬件选型清单
1. 工业相机：海康威视MV-CA016-10GM，1600万像素，千兆网口
2. 镜头： Computar M1614-MP2，16mm焦距
3. 光源： LED同轴光源，控制器可调亮度
4. 边缘计算设备：NVIDIA Jetson Xavier NX，8GB版本
5. 工业交换机： TP-Link TL-SG3428
二、系统架构
相机 → 千兆网线 → Jetson Xavier NX（边缘AI推理）→ 交换机 → 工厂MES系统
三、AI质检项目
• 表面缺陷检测：划伤、压痕、崩边、污渍
• 尺寸测量：长度、宽度、厚度、对角线
• 颜色一致性：色差ΔE检测
• 装配检测：孔位是否对齐、螺丝是否漏装
四、部署效果
• 检测速度：1.5秒/件
• 检出率：99.2%（比人工提升15%）
• ROI回收期：约8个月
五、成本参考
单工位硬件成本约1.5-2万元，含软件授权年费约5000元。相比2-3名质检员工资，8个月可回本。

六、实施建议
1. 先小批量测试，积累缺陷样本
2. 边缘部署避免网络延迟
3. 定期用新缺陷样本更新模型
4. 预留人工复检通道

配图展示了典型的家具质检场景硬件布置。

这个方案挺务实的，特别是**边缘部署避免网络延迟**这点我深有感触。之前接触过几个工厂，一开始图省事把推理放云端，结果车间网络一波动，检测节拍直接卡壳，反而比人工还慢。你们选Jetson Xavier NX做边缘推理很聪明，1.5秒一件的节拍对厚街这种中高速产线刚好够用。

另外想补充一点，**样本积累阶段千万别只靠拍照**。家具表面缺陷在自然光下和同轴光下呈现差异很大，建议前期至少跑两周双轨测试（AI+人工复检），把误判和漏检的样本单独归档，这样模型迭代才有针对性。尤其崩边和压痕这类纹理缺陷，初期样本不够时误检率会偏高，你们99.2%的检出率应该是跑过一段时间的成绩了吧？

还有个小问题想请教：尺寸测量这块，你们是单相机单视角还是多相机融合？家具板材尺寸跨度大，单视角对对角线测量容易有透视误差，不知道你们是怎么处理的？