【案例】广州白云区化妆品厂AI外观检测升级

## 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。

## 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

### 软件架构
- 缺陷检测模型：基于ResNet50微调
- 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% |

**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
2. 样本采集要充足
3. 渐进式部署

## 总结

AI视觉检测让化妆品外观检测从靠眼睛变成靠算法。


这个案例很有参考价值，不过我想从另一个角度聊聊——**质检环节的系统性**。

很多厂子只看重算法准确率，但实际落地时，**缺陷分类的粒度**往往比整体准确率更重要。比如口红膏体上的划痕和气泡，对消费者体验的影响完全不同。如果模型只输出“OK/NG”，产线管理就少了很多数据价值。建议你们在ResNet50基础上，加一层**缺陷类型聚类**（哪怕先分3-5个大类），这样后续追溯工艺问题（比如灌装头磨损）会方便很多。

另外，我注意到传送带速度最高2m/s，但检测速度50ms/件。理论上限是20件/秒，实际却只有1件/秒——这个瓶颈大概率在**剔除机构**的响应时间上。如果后端吹气阀或推杆跟不上，相机再快也是白搭。建议把改造重点从“看”转移到“动”上，这45万投资里，机械执行器的预算占比可能比很多人想象中要高。

最后想请教下：你们在**渐变唇彩**这类反光产品上，同轴光源的偏振方案是怎么处理的？我们之前试过普通同轴光，镜面反射会直接白掉局部区域。