制造业产品日趋精密，工艺复杂度不断提高，质量检测的难度也随之增加。一处细小划痕、装配中的一次漏装，或传送环节混入的异物，都可能影响产品质量。特别是在多品种、小批量生产模式下，新产品、新工艺和新的缺陷类型不断出现，质检环节既要保证检测速度与准确性，也要及时适应现场变化。

传统人工质检在不少生产环节仍不可替代，但检测效率、标准一致性和质量数据沉淀等问题也越来越突出。人工判断容易受到经验、作业强度和人员状态影响，微小缺陷与偶发异常存在漏检风险；抽检难以覆盖高速连续生产的全部产品。质量问题一旦没有在当前环节及时发现，还可能沿着来料、加工、装配和终检向后传递。发现得越晚，需要隔离和追溯的范围越大，返工、报废、退货和客户索赔等质量成本也会随之增加。

围绕制造现场，打通从采集到处置的检测链路

针对表面缺陷、产品异物、装配工艺和工位SOP等场景，鼎捷雅典娜构建了工业AI视觉检测解决方案。工业相机、工位摄像头及其他智能终端采集现场图像后，AI模型完成缺陷识别、分类、定位和量化判定，覆盖划痕、裂纹、脏污、破损、色差，异物、错料、漏料、混料，以及装配错位、漏装、反装、标签与字符完整性等检测任务。

以紧固件高速连续生产为例，传送桶中可能遗留不同批次的螺钉、螺栓，进而造成混料风险。人工抽检受生产节拍、观察角度和判断标准影响，很难持续覆盖整个生产过程。AI视觉检测通过工业相机、镜头和光源获取图像，经边缘计算盒子和模型服务器完成识别；发现异常后，可联动PLC控制柜执行报警或不良品剔除。在该场景的模型准确率指标上，mAP50达到0.995，Precision达到1.000，Recall达到0.944。

在工位SOP检测中，视觉识别的对象则从产品延伸至操作过程。系统可以识别人、手、工具、物料及作业区域，对关键动作进行分段，并按照既定规则判断装配顺序、漏装错装、安全动作、换型确认、返修复核和作业节拍是否符合要求。发生漏做、多做、超时或越界时，系统可保留截图和视频片段，并与对应工单关联。

让检测结果进入质量改善流程

缺陷被识别出来，并不意味着质量问题已经解决。如果检测结果只停留在设备报警或图片记录中，现场可以处理当下的不良品，却很难形成持续改善。

鼎捷雅典娜将AI视觉检测与MES、QMS、ERP及工单系统衔接，形成“检测发现—问题追溯—改善执行—效果验证—持续优化”的业务流程。对于明确的异常，系统可以触发声光告警、剔除动作或维修任务；检测图片、异常类型和相关生产信息则继续回传，为问题流转、责任落实和后续分析提供依据。

支撑这套流程的，不只是单一视觉模型。雅典娜提供表面缺陷、产品异物、装配工艺和智能工位SOP等模型能力，并通过异常方案库、缺陷样本库、模型版本管理、规则模板、接口适配器和质量知识库，形成可复制的场景底座。低门槛训练平台覆盖数据标注、模型训练、评估和发布，现场数据与复核结果可以继续回流，支持模型迭代与版本更新，更好地适应产品换型、工艺调整和新缺陷出现。

鼎捷雅典娜智能AI视觉检测平台

在光学环境、缺陷样本和现场流程满足要求的情况下，方案检测准确率最高可达99%以上，人工成本可降低70%以上，异常响应时间可缩短80%以上，质量改善效率可提升3倍以上。随着检测数据与生产数据逐步融合，企业还可以开展复杂缺陷理解、多模态分析、异常模式发现、质量趋势预测和风险预警，并通过自然语言生成质量分析报告。

AI视觉检测的价值，首先体现在检测标准更统一、异常发现更及时，也体现在检测结果能够被保留、流转和继续使用。鼎捷雅典娜将现场采集、智能检测、问题追溯、改善执行和模型优化连接起来，使质量管理不再止步于发现一处缺陷，而是逐步形成一套能够持续积累和复用的质量改善机制。

从识别产品缺陷，到理解图纸、巡检设备、判断作业动作，鼎捷雅典娜正在将视觉能力延展到更广泛的制造场景。AI所理解的，也由一张图片中的异常，扩展到物料、设备、人员和作业过程之间的关系；识别结果则进一步进入生产系统，参与问题处置、任务协同和现场执行。

当AI能够看见生产现场、理解现场状态，并与设备和作业协同，数字世界中的智能便开始进入真实的制造运行。以视觉识别为基础，鼎捷雅典娜正在帮助企业建立连接数字系统与物理现场的智能能力，推动数字AI与物理AI逐步融入真实的生产运行。