烟草薄片智能分选是制造现场"质检能力单元"被AI从人工分离并重组为在线视觉分选单元的典型案例。它将人工分选线速从约35米/分钟提升至110米/分钟、缺陷漏检率从3.5%降至0.4%，单线节省质检人工约70%。为什么薄片这类"边角料再造"环节值得上AI？因为它恰恰是最该被能力单元化的高重复、高一致性诉求场景——一旦把质检做成标准化可调度的单元，整条产线的节拍和良率都不再被人的状态绑架。

案例速写

烟草薄片（又称再造烟叶）是把打叶复烤剩下的烟梗、烟末、碎叶，经浸提、浓缩、辊压或稠浆成型再造成"烟纸状"薄片，重新掺入卷烟，既降耗又保香。它是典型的"循环制造"环节，原料本身就是边角料，对一致性的要求却极高——任何孔洞、油污、金属异物、厚度不均或纤维结团，都会影响下游卷接质量甚至引发断纸停机。国内薄片产线多以中高速辊压法运行，过去靠人工在放卷端"盯着看"，一条线至少配2-3名质检工，仍是行业里漏检率最高的工序之一。

转型动因

薄片的痛点很具体：一是原料波动大，每批烟梗含水、含梗率不同，成型后缺陷形态不固定，规则算法（固定阈值OCR）误报多；二是线速一上来人眼就跟不住，放卷110米/分钟时人工基本只能做"抽样看"，真实漏检率被严重低估；三是人工质检是"断点"——检出问题要停机、降速、隔离，节拍被打断，而薄片又是连续成型工艺，停机一次整幅料都废。这三件事叠加，使质检成了薄片的隐性瓶颈。

技术嵌入

落地方案是把"在线机器视觉+轻量缺陷检测模型"直接架到放卷与分切之间：高速线阵相机以0.1毫米级分辨率扫描幅面，实时抓取孔洞、油污、异物、厚度、纤维团五类缺陷；模型用"小样本+迁移学习"思路，先以通用表面缺陷库预训练，再用该厂3-6个月的实际缺陷图微调，避免从零标注。检出缺陷后不是简单报警，而是联动分切刀做"缺陷段自动切除+打标"，把"发现"和"处理"合成一个闭环。边缘侧部署推理盒，延迟控制在毫秒级，不把图像全量回传云端。

能力单元分析 ★ 必填

这是本案例的方法论内核。原来的"质检能力单元"是依附于人的——它和工人的视力、经验、专注度绑死，无法在两点之间被独立调度，也无法被复制到第二条线。AI分选把它分离出来：视觉采集、缺陷判定、切除联动三件事被拆成可独立运行的标准化子单元；再重组成一个"在线视觉分选单元"，挂在产线任意放卷端即可生效，调度逻辑从"人跟着线走、人停线停"变成"单元常驻、缺陷即切、线速不变"。更进一步，这个单元还能跨线复用——同一套模型和边缘盒，上午在A线、下午微调后到B线，能力不再被某个工位独占。这正是能力单元论在现场的直白注脚：不是"用AI替代人"，而是"把一种能力从人身上剥离、标准化、再授权给机器"。

组织变阵

人没有消失，而是移位：原质检工转为"模型养护员"，负责样本复核、难例标注、误报回收，工作从"盯线"变成"喂数据"，人数从每线2-3人降到0-1人。质检职能从"生产末端的事后把关"前移到"成型过程的实时拦截"，质量责任也随单元下沉到设备侧。

ROI兑现与踩坑

可量化的账：线速35→110米/分钟，漏检率3.5%→0.4%，单线质检人工省约70%，因缺陷段自动切除带来的良率提升约1.5-2个百分点。但踩坑也要诚实说：第一，薄片原料批次波动大，模型上线头3个月误报率偏高，需要专人持续标注，不能"训完就撒手"；第二，厚度不均类缺陷对光照极敏感，产线落料抖动能直接把误报率打翻倍，必须先做机械稳速改造，AI不是万能胶；第三，缺陷段自动切除会损失料幅，切得太狠反而拉低得率，切点策略要按"漏检成本vs切损成本"反复标定。技术边界很清楚：AI解决的是"看得快、看得准"，解决不了原料本身的不稳定。

可迁移方法论

用四则法抽象：这是典型的除法——把"人眼质检"这个笼统职能，除以"采集/判定/切除"三道工序，分别标准化后再授权给机器；也是复用率的胜利——同一能力单元跨线复用，边际成本趋零。对任何"高重复、高一致、断点式人工把关"的工序（造纸表面、薄膜涂布、无纺布、钢带表检），这套打法都能直接迁移：先稳机械、再上视觉、最后做切除闭环，顺序不能乱。