专为工厂车间打造的人工智能质量控制

一家全球制造商如何利用异常检测和边缘原生对象存储将检验劳动力减少 10 倍

概述

在世界各地的工厂车间，视觉检测仍然是制造流程中最耗费人力且最容易出错的环节之一。一家全球消费品制造商正在利用边缘人工智能重新定义这一挑战。通过用实时、无人监督的异常检测取代人工抽检，该公司有望将与检测相关的劳动力占工厂员工总数的比例从 40% 降至 4%。

这款新一代系统融合了 GPU 加速推理、模型量化以及兼容 S3 的高吞吐量对象存储。最终成果：一个可扩展的边缘原生检测流程，能够标记数百个 SKU 中的未知异常，无需标记、重新训练或重写脆弱规则的开销。

挑战

在高产量制造环境中，目视检测至关重要，但成本高昂。该公司在250多家工厂进行人工质量保证检测，每月估计花费170万美元。制造成本比同行业的同行高出30%至40%。

人工抽检会导致不一致，减慢生产速度，并迫使工厂扣留库存，直到质量保证部门批准为止。好的工厂可以在 8 小时内完成检查，而质量差的工厂则会扣留产品长达 48 小时。传统的机器视觉系统并没有解决这个问题；它们只是将其局限性自动化了。这些系统依赖于基于规则的模型，这些模型只能检测已知缺陷。每当出现新问题时，团队都必须重新标记数据、重新训练模型并重新部署软件。这种缓慢而被动的循环无法扩展到数百个 SKU 或不断发展的生产线。

工厂经理们已经学会了利用已公布的产能来弥补效率低下。如果突然接到大额订单（例如来自沃尔玛这样的零售商），运营部门就不得不手忙脚乱。质量保证问题越是被标记到下游，修复的成本就越高。

这家制造商需要一种完全不同的方法。这种方法能够：

• 标记任何视觉异常，即使是以前从未见过的异常
• 完全在边缘运行，不依赖云基础设施
• 跨不同产品线进行扩展，无需不断进行再培训或流程返工

解决方案

该团队部署了由 GPU 推理驱动的边缘原生异常检测流程。该系统无需搜索预先定义的缺陷，而是学习每个产品的“正常”状态，并实时标记任何异常情况。

关键架构组件包括：

• 配备 141GB RAM 的 H200 GPU 支持超过 600 个并发产品特定模型。
• 量化模型在不牺牲准确性的情况下提高了推理速度并减少了内存占用。
• 边缘原生架构在本地处理图像流，消除云延迟并以线速度实现实时决策。
  该系统不仅标记异常，还会对其进行解释。对于每个标记的项目，该流程都会生成热图、裁剪的图像区域、严重程度评分以及用于上下文评估的元数据。这实现了全新的视觉逻辑层级，能够区分关键异常与表面或可忽略的偏差。

为了扩展管道的价值，该团队正在整合 Google Vertex AI 多模式模型，通过机器相关性和消费者感知来将异常情境化，从而弥合影响品牌信任的功能缺陷和美学缺陷之间的差距。

结果

尽管仍处于原型阶段，但早期指标显示性能显著提升：

• 检验人工减少10倍。 预计检验相关人工将由40%降至4%，使工厂能够将时间、预算和人才重新分配到更高价值的工作上。
• 更高的公布产能和更快的吞吐量。 通过实时反馈和更少的库存，工厂可以自信地提高公布产能，目标是在关键工厂实现15%的产能提升，并减少昂贵的返工周期。
• 更智能的缺陷情报。 系统会标记未知的未知信息，然后将其推送至情境感知流程，确定哪些信息重要、哪些信息不重要，从而最大限度地减少误报，加快问题解决速度，并减少返工。
• 无需返工即可扩展。 借助量化模型和高吞吐量对象存储，系统可轻松扩展至数百个 SKU 和站点，无需重新构建流程。

为什么选择AIStor

在这种规模下，延迟和吞吐量并非性能指标，而是功能需求。MinIO AIStor 充当该检测系统的高速数据层，可在边缘实现实时视觉推理，而不会出现瓶颈或臃肿。

主要优势包括：

• 轻量级占用空间，专为边缘环境打造
• 内置对象标记、自动过期和主动-主动复制
• 400G 网络上的线速吞吐量
• S3 兼容性，可实现即插即用集成
• 跨节点可扩展，且性能不会下降

无论是写入原始图像流、读取裁剪区域，还是将高频推理结果反馈回管道，MinIO 都可以作为 GPU、CPU 和存储之间的高性能内存层运行，而不会将团队锁定在专有堆栈中。

结论

这家全球制造商正在重新定义工厂车间的质量控制。借助 AI 驱动的异常检测、边缘原生推理和高性能对象存储，他们正在用实时智能检测流程取代基于规则的脆弱系统。

这是从被动规则检查到主动模式识别的根本性转变。在 MinIO 的支持下，该架构面向未来构建：可扩展、可解释，并经过精心设计，以跟上现代制造业的发展速度。