先进制造是制造业中的关键领域，其综合运用新技术、新设备、新材料、新工艺、新流程、新生产组织方式，集现代科学技术之大成，是一国工业实力和现代化水平的重要体现。

随着人工智能时代的到来，人工智能技术与制造业融合日益加深，智能化成为当前先进制造业的典型特质之一。在视觉技术方面，视觉引导、视觉量测、视觉筛选、文字识别等技术已逐渐广泛应用于先进制造业中，服务从生产到物流供应链的各个环节。而视觉技术服务于缺陷检测（尤其是复杂外观的缺陷检测）则在落地场景面临不小的难题。

缺陷标准迭代快对算法能力提出挑战、可用于模型训练的缺陷数据量小、解决方案迁移成本高，是当前人工智能视觉技术服务缺陷检测的三大难关。武汉象点科技，一家为先进制造过程中提供AI视觉检测解决方案的公司，基于飞桨深度学习平台开发智能工业视觉平台软件PixAI，集模型训练和方案搭建为一体，成功突破三大难关，解决复杂外观瑕疵检测难题。其解决方案已成功应用至华为、比亚迪、苹果供应链体系。

先进制造过程中各类缺陷检测场景

缺陷检测智能升级面临“三大难关”

“小模型”方式亟待升级

从市场需求方面来看，传统制造业缺陷检测环节往往以人工作业方式为主，而人工检测受限于人员能力及现场表现，稳定性波动较大。逐年攀升的人力成本也制约了制造业企业的全球竞争力提升。将人工智能技术应用到缺陷检测环节，提升缺陷检测稳定性及效率，已成为当前智能制造头部企业越来越关注的重点。

“缺陷检测的智能化升级过程中，最开始以研发解决具体需求的AI小模型为主要方向。模型性能、模型调参方式，是各个解决方案供应商的核心竞争点。”象点科技总经理刘亦铭介绍，“然而小模型远远不能满足各先进制造企业的需求。从市场反馈来看，适配单一缺陷检测场景的这类方案只能达到3%的市场占有率。同时，AI视觉技术落地缺陷检测的三个核心难关也始终存在。”

第一个难关来自制造场景复杂，缺陷标准持续迭代，这对AI模型的算法能力提出挑战。比如在激光焊接场景下，缺陷种类多，不同产线对缺陷识别的标准不同；又如随着生产工艺的改进，定义缺陷的标准发生变化（如口罩生产过程中，原先金属鼻梁偏移1/3为缺陷，变为偏移1/4才是缺陷），如果模型算法的能力不足，则每当面临变化就需要反复重新训练，耗时耗力，无法快速满足生产需求。

激光焊接缺陷种类多样

第二个难关来自缺陷数据量小，小样本对模型训练提出挑战。某些制造场景下，可用于模型训练的数据量甚至少到个位数，或数据在保密车间无法取出。这导致传统的模型训练方式难开展，模型快速产出受阻。

第三个难关来自解决方案迁移成本高。仅在同一企业，不同产线、不同产品对缺陷识别的需求不同，就会导致方案迁移需要额外的调试时间和人力。若是进入不同行业，建立新的解决方案更需要花费大量时间适配行业标准，这都影响了解决方案的拓展效率。

除此之外，降低技术门槛，打通从技术到应用的“最后一公里”，让一线工作人员能够更加方便地使用人工智能技术，也是产业化落地中的一大难题。

基于此，象点科技判断，能够提供“复合模型和混合算法”的整合性平台化工具将是产业智能化升级进程中的必然方向。经过长时间技术迭代与探索，象点科技选择基于飞桨深度学习平台开发智能工业视觉平台软件PixAI，探索攻克人工智能视觉技术应用至缺陷检测的三大难关，并“打通最后一公里”，创造用户价值。

基于飞桨打造PixAI平台

探索攻克技术难关，助企业提效

刘亦铭介绍，选择飞桨的原因主要来自两方面：一是相比其他开源框架，飞桨有整体的研发迭代思路、问题解决方案和专业技术人员，同时提供了从开发到部署的全流程先进工具，具有“品质保证”，且“与时俱进”；二是飞桨的国产化特质，让先进制造企业避免“脱钩”风险，提供了更大的安全性。

“在具体技术支持上，飞桨提供了非常好的底层技术。”刘亦铭补充，“基于这样的技术基础，我们深入各个先进制造企业，结合实际场景需求痛点及工艺逻辑，开发出PixAI，探索突破AI视觉技术应用到缺陷检测环节的三大难关，来更好地助力先进制造智能化升级。”

• 在AI模型算法方面，飞桨提供了丰富的算法选择。既能满足多样化的缺陷识别细节，又能提供侧重高性能、或高运行速度、或低成本等不同目标的算法方案。在此基础上，象点科技进一步把AI算法和企业工艺参数及缺陷检测逻辑相结合，从而快速产出具体场景的缺陷识别解决方案，以跟进生产工艺及标准的迭代变化。
• 以激光切割场景为例，随着生产工艺的变化，缺陷定义可能由“缝隙”转变为“线条”，模型算法由侧重“高性能”转变为侧重“高推理速度”，飞桨能够提供满足不同需求的算法，而象点科技在此基础上加入相关工艺参数，如激光温度、切割速度、切割角度等，提供整体的参数调整方案，从而帮助企业及时跟进变化，实现缺陷识别的快速落地应用。
• 在小样本数据训练方面，飞桨提供了优质的半监督、无监督算法，极大减少了模型训练数据需求。同时象点科技自研缺陷仿真技术，通过少量缺陷样本仿真生成大量图像，结合飞桨算法，进一步解决模型小样本训练数据不足的问题。
• 在方案迁移方面，象点科技持续探索与文心大模型结合，尝试在视觉大模型的基础上微调得到行业大模型，从而依靠大模型的强泛化能力解决方案复制迁移难题。

最终，基于飞桨底层技术基础，结合大量深入的产业积累，象点科技开发的PixAI智能工业视觉平台集模型训练和方案搭建为一体，提供了多种工业级AI工具链，覆盖流程搭建、图像仿真、智能标注、数据统计等核心开发场景。同时充分考虑技术易用性，设计图形化开发界面，让使用者无须编写代码即可生成复杂的工业AI视觉检测方案，解决复杂外观瑕疵检测难题。

PixAI技术架构

目前，象点科技基于PixAI的缺陷检测解决方案已经覆盖3C电子、汽车、新能源、医疗耗材、激光五大类行业的20余家先进制造企业，提供50余个满足不同缺陷检测场景需求的基础模型。所有缺陷检测方案满足企业“重大缺陷零漏检”目标，并结合不同企业产线具体要求，实现方案的灵活适配。

如在AI检测激光焊接缺陷领域，解决方案基于飞桨高性能图像分割开发套件PaddleSeg和PixAI流程模块，实现适配7种焊接类型和12种缺陷类型，相较原识别方案提升15%的缺陷识别能力，对激光锡焊、熔接焊、热压焊等焊接缺陷综合检出率达到99.99%；在涂胶缺陷检测领域，基于飞桨目标检测端到端开发套件PaddleDetection套件和PixAI缺陷仿真模块，快速实现小样本条件下的模型训练，在无线充、手机外壳、智能手表耳机、麦克风等14个产业中，将解决方案上线时间缩短至1天，并对涂胶工艺中的各类缺陷实现99.99%的检出率。

涂胶缺陷检测示例

着眼未来

大模型加速AI赋能先进制造业

谈到大模型给行业带来的新机会，刘亦铭认为“视觉大模型在解决‘缺陷识别方案迁移难度大’这个问题上具有极大价值”。大模型可以直接省去传统视觉任务中的归纳、解释、找特征的步骤，凭借其出色的泛化能力快速实现解决方案的不同场景迁移。并且凭借自监督训练、自适应方面的优势，提升解决方案的研发效率。

同时，象点科技也持续探索解决方案与大语言模型的结合。“用大语言模型生成逻辑描述文件是一个能很好地降低研发门槛的办法。”刘亦铭谈到，“以往我们需要有编程能力的工程师，来将实际问题转换为工程语言，而有了大语言模型，就可以让企业的一线生产人员，用自然语言的方式与大模型交互，让大模型生成工程描述语言，进而去自动化地执行解决问题。”

“单独的视觉大模型或大语言模型也许还没办法完全满足实际需求。”刘亦铭补充，“跨模态大模型会更适合具体的落地场景。有时候技术落地产业并不在于模型本身的性能，更在于它的归纳性是否好，是不是能够提供更完整的使用价值。

“每当行业出现新的革命性技术时，都会产生一大批的优秀企业，甚至是世界一流企业。象点科技也会抓住大模型发展机遇，力争成为视觉识别业内的顶尖公司。我们也相信，大模型技术将更加标准化、更加易用，不仅能服务千千万万的工厂，更能深入地融入到咱们所有人的生活当中去。”