案例速写

深圳宝安区，一家年产能约 80 万㎡的中型 PCB 代工厂「华通电子」（化名），主要服务消费电子和汽车电子客户。2024 年底，其 SMT 产线的外观检测环节面临严重瓶颈：24 名目检员三班倒，漏检率仍在 3%~5% 之间徘徊，客户退货投诉环比上升 40%。

2025 年 Q1，该厂引入了一套基于 AI 视觉的外观检测系统，在 AOI（自动光学检测）之后串联 AI 复判模型，替代人工目检岗位的 80% 工作量。12 个月后，漏检率降至 0.3%，质检人力从 24 人减至 6 人（转为 AI 判图复核+异常处置岗），年质检成本下降约 180 万元。

转型动因

华通电子的转型并非主动求变，而是被"逼"出来的。

直接压力：2024 年 Q3，其第一大客户（某国产手机品牌）将 PCB 来料不良率验收标准从 500ppm 收紧到 200ppm。按当时的人工目检水平，达标率不足 60%。

隐性压力：珠三角 PCB 代工行业招工难已成常态。目检岗位需要连续 8 小时对微小焊点和线路进行高密度比对，视力疲劳导致的前 15 分钟和后 30 分钟漏检率差异悬殊（首尾差值可达 4 倍）。管理层承认："不是人不好，是这个工作本身反人性。"

技术契机：2024 年底，一个刚刚完成融资的国产工业视觉 SaaS 团队主动找上门，承诺"先用后付、效果付费"——零硬件预投入，按月检产量收取服务费。这让管理层放下了"AI 投入太高、回本无期"的顾虑。

技术嵌入

系统架构分为三个环节：

• AOI 初筛：保留原有的自动光学检测设备做第一道"粗筛"，剔除明显良/明显不良的板子（约占 70%），将"疑似不良"的约 30% 送入 AI 复判环节。
• AI 复判模型：基于 YOLOv8 的定制化缺陷分类模型，在边缘计算盒（Jetson Orin NX）上本地推理，识别 12 类常见 PCB 缺陷（短路、开路、锡珠、少锡、多锡、偏移、立碑、空洞、划伤、氧化、污染、异物）。针对不同客户的验收标准，可动态调整每类缺陷的敏感度阈值。
• 人工复判终端：模型判为"不良"的板子，由复核员在触屏终端上二次确认。模型给出热力图标注缺陷位置，复核员只需"看+点"确认或纠错，人机互动的闭环数据用于模型的持续迭代。

关键设计决策：不上云，全部本地推理。华通电子的网络环境不稳定，且客户对 PCB 图像数据外传有严格限制。边缘计算方案保证了数据不出车间，推理延迟控制在 200ms 以内。

能力单元分析 ★

既有能力单元	AI 改造后	变化类型
---	---	---
人工目检（24 人的视觉+判断单元）	拆解为"AI 特征提取单元 + 人工复核决策单元"	拆解重组
AOI 设备检测（设备级像素比对单元）	保留，前端粗筛定位	保留，接口扩展
目检员培训（经验积累单元）	弱化，模型迭代替代了大部分经验积累	替代
客户来料标准解读单元	保留，但输入数据从主观经验变为客观模型阈值配置	信息流质变
退货验尸分析单元	AI 可回溯每一块退货板的检测图像和判据，从"猜原因"变为"查记录"	新增能力

本质变化：质检流程从"人+光学的串行判断"转变为"光学粗筛→AI精判→人复核的串并行混合"。能力单元的粒度和调度方式都发生了改变——人的角色从"判断者"降为"审核者"，AI 承担了高频、高重复度的初级判断，而少数低概率边界案例留给人做深度判断。

组织变阵

• 质检部从"24 个目检员"变为"4 个 AI 判图复核员 + 2 个现场处置员"
• 新增一个"AI 模型运维"兼职岗（由 IT 部一位工程师兼任，每周约 8 小时），负责模型阈值更新、错检回标、数据标注任务分派
• 原有 18 名目检员转岗至其他产线或离职补偿，公司承担了约 15 万元的转岗培训费用

ROI 兑现与踩坑

收益数据（12 个月累计）：

• 质检人力成本：从 24×7000=168万/月 降至 6×8500=5.1万/月（复核员技能要求更高，薪资上浮），年节省约 140 万元
• 漏检率：从 3.2% 降至 0.3%，退货金额年减少约 40 万元
• 产线开机率：因质检瓶颈消除，SMT 产线日产能提升约 12%

总投入（12 个月）：

• AI 视觉服务费：按检产量 0.12 元/㎡计，年约 58 万元
• 边缘计算硬件（3 台 Jetson Orin NX + 工控机）：约 8 万元
• 转岗培训费：约 15 万元
• 总计：约 81 万元

年净收益：约（140+40） - 81 = 99 万元，静态回本周期约 8 个月。 踩坑诚实说：

• 头三个月模型漏判率反而比人工目检还高（约 4%），因为初期训练数据只有 2000 张标注图，覆盖不足。花了两个月补标了 3 万张才稳定下来。
• 部分客户不接受"AI 判的良品"，坚持要求每片板子都走人工复核。这导致系统上线后反而增加了人工负担——直到该客户的工程师实地看过 AI 的热力图检出效果后才松口。
• 不同客户的缺陷标准不一致（同一处焊点氧化，A 客户判不良、B 客户判可接受），模型需要用不同的敏感度参数分别适配，维护成本比预期高。

可迁移方法论

• "先筛后判"的分级架构：AOI 粗筛 + AI 精判 + 人工复核的三级架构在制造业质检场景中具有很强的通用性，避免了一个 AI 模型包打天下的不切实际。
• 效果付费是 AI 进工厂的敲门砖：华通电子之所以敢试，核心原因是 SaaS 团队愿意承担前期风险。对于中小制造企业，AI 供应商"按效果收费"比"卖硬件卖软件"更容易打开局面。
• 能力单元视角下的"拆解-重组"：质检流程中最高频、最耗费人力的环节（目检），恰恰是最容易被 AI 替代的"标准化判断单元"。但替代并不意味着消灭——人的价值转移到少数边界案例的深度判断和异常处置，这与能力单元论中"单元分化-功能专用化-再整合"的演化逻辑完全一致。

---

📋 信源：华通电子内部转型总结（企业化名）、中国机器视觉产业联盟 2025 年度报告、行业访谈