玻璃盖板AOI检测：把目检工拆成四个可调用单元
玻璃盖板AOI把划伤/崩边/点缺/Mura等缺陷识别从人眼抽检升级为深度学习全检，漏检率从约3%—5%压到0.3%以下，单线目检人力从12人降到2人；本质是质检能力单元的分离与重组。
玻璃盖板AOI检测（Automated Optical Inspection，自动光学检测）是消费电子与车载玻璃盖板产线用来替代人眼目检的AI视觉质检环节。它把盖板表面的划伤、崩边、点缺、脏污、镀膜不均（Mura）等缺陷识别从"人眼+抽检"升级为"深度学习+全检"，将漏检率从人工目检的约3%—5%压到0.3%以下，单线目检人力从12人降至2人。面对"玻璃盖板到底能不能用AI全检"这个问题，答案是：能，但前提是成像与标注先就位——模型只是最后被组装上去的那一块。
一、案例速写
玻璃盖板（cover glass）是智能手机、车载中控、智能穿戴的"脸面"，也是良率杀手。一片0.5—1.0mm的强化玻璃，从开料、CNC、扫光、钢化到镀膜，经历十余道工序，任何一道都可能留下微米级缺陷。某消费电子玻璃盖板代工厂（行业典型部署）在2025年将一条月产约200万片的产线目检环节改造为AI-AOI：上线16台多角度打光工业相机+分割分类一体模型，覆盖崩边、划伤、点缺、脏污、镀膜Mura五类主缺陷。改造以"不增停机、逐段替换"方式推进，先在非关键型号试跑90天再全量切换。
二、转型动因
目检是玻璃盖板厂最"贵"的环节之一，贵不在设备，在不可控。第一，人眼疲劳导致漏检，行业目检漏检率普遍在3%—5%，缺陷流到下游整机厂就是整批索赔；第二，标准不一致，早班与晚班、A工与B工判级差可达一个等级；第三，不可连续化，换班即断层，夜班产能与白天不等价；第四，扩产即招人，目检工培训周期长、流动性高，旺季根本招不满。AI-AOI要解决的不是"看不看得到"，而是把"看"变成可复用、可一致、可连续的能力。
三、技术嵌入
方案分四层落地。成像层：多角度环形打光+偏振片抑制玻璃反光，高分辨线阵/面阵相机抓取亚微米级图像；识别层：以分割网络（如Mask R-CNN类）圈定缺陷区域，再用轻量分类网络判缺陷类型与严重度；判定层：按客户AQL（可接受质量限）设阈值，自动分流"放行/复判/报废"；反馈层：缺陷分布按工序回传MES，工艺端据此调参。模型训练依赖约3—5万张人工标注样本冷启动，之后用在线难例挖掘持续迭代。
三·五、能力单元分析 ★ 必填
这是本次转型的"骨架"，用能力单元论拆开看最清楚。
旧能力单元：目检工是一个"打包"单元，一个人同时承担"发现缺陷+判断等级+反馈产线"三件事，且这个人不可复用（疲劳、状态波动）、不可一致（主观判级）、不可连续（换班断层）——典型"人形能力单元"的硬伤。
AI拆解出的新单元：①成像单元（多角度打光+相机，负责把光信号变标准图像）；②识别单元（分割+分类模型，负责把图像变缺陷坐标与标签）；③判定单元（AQL规则引擎，负责把标签变放行/复判/报废指令）；④反馈单元（缺陷分布回传，负责把现场变工艺参数）。
重组出的新单元：AI质检能力单元 = 成像×识别×判定×反馈的组合体。它的关键变化在调度逻辑——从"人盯一条线"变成"模型盯一个批次、异常才召唤人工复核"。更值钱的是复用率：同一套识别与判定框架，换型号只换模型权重与阈值，不必重新招人培训；多产线可共享同一反馈单元，缺陷知识跨线沉淀。
四、组织变阵
目检工编制从12人缩到2人，但岗位没消失，而是升级：2人转为"AI训练师/复判员"，只处理模型标红的疑难件与持续标注新缺陷。质检组长角色前移为"模型运营"，盯漏检率、误检率与标注 backlog。IT与工艺首次在质检环节深度绑定——模型效果直接挂钩工艺参数，反馈环从"月"缩短到"批"。
五、ROI兑现与踩坑
兑现面：漏检率3%—5%→0.3%以下，下游索赔显著下降；目检人力节省约10人/线，按行业人力成本年省数百万元；全检替代抽检后，客户审厂一次通过率提升。踩坑也必须诚实说：①玻璃透光+反光，成像是九成工作量，打光方案调不好模型再强也白搭；②2.5D/3D曲面盖板边缘成像畸变，弧边崩边仍是漏检高发区；③镀膜Mura属低对比缺陷，误检率偏高，仍需人工复判，并非"全自动"；④新缺陷冷启动靠小样本，首月标注 backlog 压力大；⑤模型会漂移，必须建持续标注与月度复训机制，否则半年后漏检率反弹。结论：AI-AOI不是万能替代，是把"人"从重复劳动里抽出来，去守模型守不住的边界。
六、可迁移方法论（四则法）
- 加法：加多光谱、偏振、结构光等打光维度，专治反光与低对比缺陷，先把"看得清"做扎实。
- 减法：减目检重复人力，把人留给复判与标注——减法省的是成本，不是责任。
- 乘法：一套识别+判定框架跨型号、跨产线复用（复用率），边际成本趋零，这是AI质检真正的杠杆。
- 除法：把"质检"除成成像/识别/判定/反馈四个可独立调用的单元，哪个弱补哪个、哪条线缺就调哪条，能力单元可分可合，才是制造业AI落地的标准姿势。