场景难度：高更新于 2026-06-17
制造业：AI 视觉质检
典型业务问题
人工质检漏检率高、夜班不稳定，影响良率与客诉。
AI 可以怎么做
用视觉模型识别表面缺陷，对可疑件标记复检，降低漏检。
适合的企业
有产线影像数据、缺陷样本可采集的制造企业
不适合的情况
缺陷样本极少、无法标注的企业
数据与流程准备
需要大量已标注的良品/不良品图像。
建议验证指标
- 漏检率
- 误检率
- 单位质检成本
POC 建议
选一条缺陷清晰的产线做对比实验。
常见失败原因
- 样本不均衡导致误检高
- 现场光照变化未纳入训练
质检是制造业 AI 降成本最务实的抓手之一，关键是样本质量与现场一致性。
参考来源（1）
1. 某制造企业 2025 年度报告（示例）一手官方
延伸阅读
情报2026-05-28
智能制造改造后，单位制造成本开始下降
示例年报披露，某制造企业单位制造成本同比下降约 8%，主要来自质检与排产优化。
场景2026-05-25
生产：智能排产
综合订单与资源约束给出排产建议，由调度员确认。
案例2026-06-16
案例拆解：智能制造改造后的单位成本下降
示例案例：某制造企业智能产线改造后单位制造成本同比下降约 8%，主要来自质检与排产优化。
场景2026-05-11
制造业：预测性维护
用传感数据预测故障窗口，变被动维修为主动预修。
场景2026-06-05
供应链：需求预测
融合销量与促销信号做需求预测，降低库存资金占用。
案例2026-06-04
案例拆解：物流企业需求预测升级
示例案例：某物流企业升级需求预测模型后，库存与缺货指标改善。