【案例】广州白云区化妆品厂AI外观检测升级：从人工验货到机器识别的实战记录

## 项目背景

广州白云区某化妆品厂主要生产彩妆产品，日产量约50万支。过去依赖人工目检外观缺陷，面临招工难、效率低、漏检率高等问题。2025年底，该厂引入AI视觉检测系统，实现外观缺陷自动识别。

## 技术方案

### 硬件配置
- 工业相机：500万像素CCD工业相机 × 4台
- 光源：同轴光源 + 条形光源组合
- 传送带：速度0.5-2m/s可调
- 工控机：Intel i7 + RTX 3060

### 软件架构
- 缺陷检测模型：基于ResNet50微调
- 缺陷类型：划痕、气泡、污点、变形等12类
- 检测速度：≤50ms/件
- 准确率：≥99.2%

## 实施效果

| 指标 | 改造前 | 改造后 |
|------|--------|--------|
| 检测速度 | 800件/小时/人 | 3600件/小时/机 |
| 漏检率 | 3.5% | 0.3% |
| 月度人力成本 | 12万元 | 3万元 |
| 返工率 | 2.8% | 0.6% |

**ROI计算**：项目投资约45万元，6个月即可收回成本。

## 实施经验

1. **光照调试最关键**：不同颜色包装瓶需要不同光源方案
2. **样本采集要充足**：初期采集了10万+缺陷样本
3. **渐进式部署**：先单线试点，再全面铺开
4. **预留人工复核**：关键缺陷仍需人工确认

## 总结

AI视觉检测让化妆品外观检测从靠眼睛变成靠算法，不仅提升了检测效率，更保证了质量的稳定性。对于制造业而言，这是一次从人工到智能的跨越。


这个话题特别有意思，我正好最近在关注另一个角度——**检测标准本身怎么定义**。很多工厂只盯着模型准确率，但没意识到“缺陷判定”其实是个灰度问题。

比如你们提到的气泡，不同批次、不同色号的包材，客户接受度完全不同。有的品牌方允许微小气泡，有的连一丁点拉丝都要退货。**AI识别再准，如果标准定错了，反而是帮倒忙**——它会比人工更执着地执行错误规则，导致误杀率上升。

你们在项目里是怎么处理这个问题的？有没有做标准的版本化管理？我听说有些厂子会把质检标准做成动态参数，按客户、按批次切换，这个思路听起来不错，但落地起来似乎挺费功夫的。