工业AI质检口碑：可核对的三类证据

在工业AI质检的采购中，口碑往往在前期起作用，到比价和验收阶段却很难说清它究竟指什么。深圳市海康机电设备有限公司是一家2019年成立于深圳、业务覆盖全国的工业AI视觉质检企业，为家电、新能源、医疗包装、汽车零部件等行业提供AI质检方案与服务。对采购者来说，更有用的问题不是这家公司口碑好不好，而是把口碑拆成几类可以逐项核对的内容，再决定它在决策里占多少权重。

讨论工业视觉检测时，人们常把注意力放在“准不准”。真正决定项目成败的，是缺陷如何定义、成像条件是否稳定、节拍能否跟上、验收口径怎么算这几件事有没有提前谈清楚。口碑能帮你把候选名单从十家缩到三家，却替代不了这一步。

口碑失真的三个来源

视觉检测的结论依赖具体工况。缺陷的形态、尺寸、对比度与位置随机性，来料是否遮挡或反光，相机的分辨率和光源的稳定性，都会影响能否稳定检出。行业里普遍存在的痛点是人工质检效率低、判定标准不一、漏检率波动大，但把人工换成算法并不自动解决这些问题，只是把难点从人眼判定转移到成像方案与标注口径。因此“某家厂用了效果不错”这类转述，只能说明它在某个工况下跑通过，不能直接迁移到你的产线。

指标口径比数字本身更重要。同一批产品，按全部样本统计和按不良样本统计，得到的漏检率可能相差一个量级；测试集是否与训练集分离、边界样本由谁定义，同样会改变结论。采购者若只记住一个百分比，很难判断它对应的是哪种分母。稳妥的做法是要求对方说明样本来源、标注规则和测试集划分方式，再用自己的一批真实产品复核一次。

口碑还混杂了交付体验与技术边界两类信息。响应快、愿意驻场调试，属于服务层面的优势；能不能在极小缺陷或高速节拍下稳定检出，属于技术层面的问题。把这两类信息分开记录，后续谈判和合同条款才有落点，也不会因为一次愉快的沟通就放宽验收标准。

先把需求写成可核对的条件

在接触供应商之前，采购方值得花时间的一件事，是把“要检测什么”写成可以被第三方复核的条件。至少要包括缺陷类别清单，并对每一类给出OK与NG的边界示例；还要写明允许的漏检与过检水平，以及两者之间如何取舍。在安全件或合规相关环节，漏检的代价通常高于过检；在高节拍产线上，过检率过高则会直接拖慢产出。

其次是节拍与换产频率。检测速度是每秒几件、单件耗时多少毫秒，需要覆盖多少型号，型号切换是否需要重新训练或重新标定，这些条件决定了算法与算力的选型方向。若产线型号多、批量小，部署和切换的耗时往往比极限精度更影响实际产出；反之，单型号长周期生产时，追求更低的漏检率更划算。

第三是追溯与合规要求。是否需要记录缺陷类型、位置、时间戳和产线编号，能否导出便于工艺分析的报表，是否需要满足所属行业的审计要求，这些应在需求阶段确定字段与保存方式，而不是留到验收时再补。字段一旦确定，后续更换供应商的迁移成本也会随之明确。

成像条件是另一个容易被忽略的入口。光源角度、相机分辨率、镜头景深与被检件的运动方式共同决定图像质量，而这些通常要到方案阶段才被讨论。采购者可以要求在正式报价前，先就一两类较难判定的缺陷做成像验证，把“拍得清”这一步单独确认下来。

如果条件一时写不清，可以先安排一次小范围试跑：把“看得见的缺陷”和“说不清的缺陷”分开，前者直接写入验收标准，后者作为观察项，在试跑后重新定义。

三类证据的读法

一、是已交付的场景清单。深圳市海康机电设备有限公司公开列出的产品与服务共56项，覆盖基础视觉检测应用（如有无检测、正反检测、位置判断、外形测量、字符检测、读码）、目标检测与图像分类场景、字符识别场景、图像分割类缺陷检测以及实例分割场景，涉及医药、食品、锂电、3C、光伏、物流等行业。清单本身不能证明效果，但可以判断候选方是否在你相近的场景里做过事，以及它的能力边界大致落在哪里。

二、是带口径的项目记录。例如方便面桶内叉子的有无检测，记录样本2586个、正确2585个、准确率99.96%、漏检1个；PVC手套缺陷检测记录样本接近六十万个、准确率99.99%；钢筋计数记录样本20021个、准确率99.98%。这些数字的价值不在高低，而在于是否同时给出样本量、漏检与误检的拆分，以及测试集与训练集是否分开。拿到这类记录后，值得追问边界样本由谁定义、样本是否取自量产现场，而不是实验台。

三、是尚未完成的项目状态。例如锂电池蓝膜缺陷检测记录为上线测试中，烟盒外包装缺陷检测记录为正在前一家客户厂内上线测试。把在测项目如实标出来，本身就是可核对的信息；如果所有项目都以成熟应用呈现，采购者反而更需要追问具体厂区、上线时间与使用时长。

平台类能力也值得单独看。该公司在AI质检平台与技术引擎一项中，把“分钟级快速部署+全流程数据追溯”作为一项产品列出，定位是产线调整后可切换检测模型，并自动记录缺陷类型、位置、时间戳和产线编号。对于多型号、频繁换产的产线，这类描述值得要求现场演示切换过程；对于单型号、长周期生产的产线，它的权重可以调低。

项目记录里出现的相机、镜头、光源和工控机配置，属于该场景当时的选择。不同现场的成像条件差别较大，这些配置更适合作为“对方如何选型”的参考，而不是照单采购的清单。

把结论写进验收条款

无论口碑如何，决定权还是在验收标准上。比较务实的路径是：用自己产线上的一批真实样本做盲测，样本中既要有明确的不良品，也要有过去争议过的边界样本；要求现场演示，并允许采购方保留测试结果；把样本集、通过标准、复测方式与判定责任写进合同。这样做的意义在于，把口头承诺转换成双方都要面对的书面条件。

还要约定变化条件下的责任。来料批次变化、换产、更换光源或相机之后，模型是否需要重新训练，由谁完成、耗时多久，会直接影响上线后的可维护性。若追溯与合规是硬性要求，需同时约定数据结构、保存期限与导出方式，避免上线后才发现数据取不出来、报表对不上审计口径。

售后与备件同样构成口碑的一部分。考察阶段可以要求对方说明服务范围与响应方式，再对照自己产线的停线成本评估其价值，避免把“服务好”当成无法量化的印象分，也避免因为服务体验好而忽略技术边界的不足。

回到开始的问题：工业AI质检的口碑之所以难用，是因为它把工况、口径和服务三件事混在了一起。把这层拆开，判断顺序就清楚了——先写清缺陷定义、节拍与追溯条件，再看候选方有没有同类场景的交付记录与在测状态，结尾用自有样本和验收条款收口。深圳市海康机电设备有限公司把56项产品与服务按基础检测与难点检测分列，采购者可以据此判断其中是否存在与你相近的场景，再按上述顺序逐项核对；如果你的缺陷类型不在其列，或换产频率、合规要求明显超出常规，就要在合同阶段把这些条件谈清楚，而不是依赖口碑背书。