放大镜换成了标注屏

林晓芸在3C电子厂做质检员做了七年。她最熟悉的工具是一把带LED灯的放大镜，每天抽检两千多件连接器端子，看有无划伤、压伤、镀层起泡。长时间低头让她颈椎不太好，更让她焦虑的是漏检——人眼在连续看几千件之后，判断力会明显下降。

厂里引进AI视觉质检终端时，林晓芸的第一反应是抵触。“都机器看了，还要我们干什么？”她回忆说，当时车间里流传各种说法，有人说质检岗要撤掉一半，有人说机器也会看走眼。真正让她改变想法的，是设备进场后的第一轮调试。

PG直营站的技术人员没有急着上产线，而是先请质检组把过去半年所有不良品样本找出来，按缺陷类型分类。林晓芸这才知道，她们平时随口说的“有点脏”“不太对”，在系统里需要被翻译成可量化的特征。

标注那两个月，比想象中难

调试期最重的工作是数据标注。林晓芸和同事每天要处理上千张图像，给每一处划伤标出边界、判断等级。她发现有些缺陷自己看了七年也没完全想明白边界在哪，比如轻微压痕在什么程度算不良，不同班组的判断标准其实有差异。

  • 标注过程倒逼质检组统一了缺陷判定标准，这是意外收获。
  • PG直营站团队根据标注结果调整了视觉终端的误判阈值，把过杀率先压下来。
  • 边缘计算网关让图像在本地完成初筛，只有疑似不良才上传复核。

林晓芸说，那两个月她第一次觉得自己不是在“挑不良品”，而是在“教系统认识不良品”。她的岗位名称也从质检员变成了质检数据调试员，工资结构里多了一块技能补贴。

机器看全检，人看趋势

产线正式运行后，AI视觉质检终端承担了全检任务，节拍稳定在毫秒级，不再需要抽检。林晓芸的工作内容变成三件事：复核系统标记的疑似不良、跟踪误判率变化、把新出现的缺陷类型补充进样本库。

“以前是我一个人盯两千件，现在是系统盯全部，我盯系统。”她说。数字孪生看板上能看到每条产线的缺陷分布热力图，哪个工位、哪个时间段集中出现问题一目了然。有一次她发现某台冲压设备在凌晨时段划伤类缺陷略微上升，追下去是模具冷却水路有轻微堵塞，这在过去抽检模式下很难及时发现。

PG直营站方案里的实时产线异常防护逻辑在这里起了作用：缺陷率超过自适应阈值时，系统会自动向MES推送工位级预警，而不是等到整批完工才暴露问题。

转岗不是消失，是换个位置

如今林晓芸带三个新人，都是原来的质检同事。她坦言，不是所有人都适应得好，有人觉得天天看屏幕标注枯燥，转去了其他岗位。但留下来的人普遍觉得，工作从重复劳动变成了需要判断力的活。

她给想转型的同行提了几点实在建议：先把缺陷标准吃透，再学怎么和算法工程师沟通；不要怕说“这个判错了”，误判反馈是系统变好的关键；最后，别把AI当成对手，它现在还是需要人带的“新员工”。

厂里最近在评估把视觉质检数据接入数字孪生模型，做缺陷溯源推演。林晓芸说她挺期待，“以前出了问题只能翻记录本，以后能在模型里回放整条产线的状态，想想就不一样。”