# 制造质检：局部工位的公开应用证据

前沿版本：2026-10-16.1；进展：ADV23
事实范围：2026-10-14；各研究的首发与修订日期见下方时间线
阶段：特定视觉质检工位已有生产运行案例；合成图像辅助工程开发处于试点；端到端供应链预测、库存与交付改善尚无充分外部验证。
状态：active


## 概念与例子：工厂质检中的AI与整条供应链有何区别

视觉质检把相机或传感器信息转成缺陷提示，人员和流程再决定隔离、返工或放行。排产、采购和库存则牵涉更多系统和业务反馈，不能从一个工位直接推出。

相机更容易识别焊点缺陷，可能降低某个工位的漏检；但库存是否下降还取决于采购、交期和需求预测。

- 误报/漏报：把合格品判坏与把缺陷品放过，是不同错误。
- 缺陷率：指定产品和时间窗内的缺陷比例或每百万件数量。
- 工艺混杂：同期工艺改进可能影响结果，不能全归因AI。
- DPPM：每百万出货件中有多少缺陷件，和来料或产线发现缺陷的比例不同。
- LAR：按批次统计的接受率，不是按单件统计，也不是必然指来料。
- 定子绕组：电机固定部分的线圈；检测对象包括绕组和焊点等局部缺陷。

## 具体进展

### Seagate：局部视觉工位的出货与批次指标

Seagate检测硬盘磁头等部件，用机器学习替代依赖规则模板的视觉判断，在设备旁运行推理，并于2024年11月部署到全部34台设备。官方指标图报告每百万出货缺陷件DPPM243→153、约下降37%；批次接受率LAR86.8%→95.5%。两种分母不同，不误称来料接受率。[Seagate案例](https://www.seagate.com/resources/seagate-boosts-automated-vision-system-with-ai/) [Seagate官方成功指标图](https://www.seagate.com/content/dam/seagate/assets/resources/seagate-boosts-automated-vision-system-with-ai/images/factory-ai-eavs-image-3-1440x900.png/_jcr_content/renditions/16-10-medium-640x400.png)

这是企业工位案例，没有独立对照，未拆分同期工艺改进与完整投资回报。其指标图当前值不同于旧研究摘要，本页按本轮读取原图修正，不把批次接受率当整厂收益。[Seagate案例](https://www.seagate.com/resources/seagate-boosts-automated-vision-system-with-ai/)

既有研究报告的事实摘要与条件说明；具体引用在正文标注
对应材料：[Seagate案例](https://www.seagate.com/resources/seagate-boosts-automated-vision-system-with-ai/)、[Seagate官方成功指标图](https://www.seagate.com/content/dam/seagate/assets/resources/seagate-boosts-automated-vision-system-with-ai/images/factory-ai-eavs-image-3-1440x900.png/_jcr_content/renditions/16-10-medium-640x400.png)

### Bosch：用合成缺陷图加快新产品检测准备

Bosch在2023年底开始试点，用少量旧产品缺陷照片合成约1.5万张新产品训练图，帮助检测定子绕组和焊点。实际问题是新产品缺少故障样本；合成图能补训练材料，但工程师仍需检查误报和边界缺陷。[Bosch案例](https://www.bosch.com/stories/ai-image-recognition-production/)

约缩短六个月开发周期是企业预期，不是审计后的净收益。本页所核对材料支持特定工位质检，没有整条排产、采购、仓储或供应商协同的因果收益验证。[Bosch案例](https://www.bosch.com/stories/ai-image-recognition-production/)

企业试点说明与预期；非独立工厂全流程收益实验
对应材料：[Bosch案例](https://www.bosch.com/stories/ai-image-recognition-production/)

## 时间线

- 2023年底（企业试点 / 月份范围）：Bosch开始质检合成图试点。
  日期依据：项目正文时间描述
- 2024-11（设备部署 / 月份）：Seagate报告全部34设备完成部署。
  日期依据：官方案例正文
- 2026-10-12（研究材料范围 / 资料截止）：这份研究摘要的资料范围，不是上述事件统一发生的日期。
  日期依据：原研究报告事实范围

## 工作意义

工作分析（编辑推断）：质检人员可用模型给缺陷候选，再决定复检、隔离或返工。试点同时记录漏检、误报、复判时间和不同批次表现；先证明工位改善，再考察它是否影响整厂库存、交期和成本。

### 后续观察

若更多工厂提供多站点、同口径的缺陷率、误报漏报、停机、返工和人力复判数据，并对照传统视觉系统及同期工艺变化，质检应用的可迁移性会更清楚。供应链层面应观察预测偏差是否实际降低库存与缺货、交期是否缩短，以及软件、集成、传感器、维护和复核计入后的总成本；没有这些指标前，不能从单一检测案例推演全厂效率。

## 证明材料

### Seagate案例

[Seagate案例](https://www.seagate.com/resources/seagate-boosts-automated-vision-system-with-ai/)；类别：原始研究或机构项目说明；状态：active
支持：34设备部署、DPPM243→153及指标图LAR86.8→95.5的企业披露。
定位：官方案例The solution、The success及Success metrics指标图；DPPM/LAR定义。
先读检测对象和设备旁推理，再核图中当前值与不同分母；首次读取原文/图的范围不等同后续书目探测成功。
原始发布：未知；修订：未提取；原始发表日期未提取，保留未知
初审实际读到官方案例和指标图；后续探测入口可能失败，不改写首次读取范围。企业披露无独立对照，未验证整厂收益。
2026-10-14书目信息，非实验复验。

### Generative AI in manufacturing

[Bosch案例](https://www.bosch.com/stories/ai-image-recognition-production/)；类别：原始研究或机构项目说明；状态：active
支持：缺陷图生成、2023年底试点、约1.5万图与六个月预期。
定位：Bosch项目正文的试点、数据生成与开发预期段；页面主元数据。
把试点实施、文章发布、页面修改分开；预期不当已实现效果。
原始发布：2024-04-18；修订：2026-05-06；主页面datePublished/dateModified元数据
企业案例和预期；未独立测量净收益或全部缺陷覆盖。
2026-10-14书目信息，非实验复验。

### Seagate EAVS — Key success metrics

[Seagate官方成功指标图](https://www.seagate.com/content/dam/seagate/assets/resources/seagate-boosts-automated-vision-system-with-ai/images/factory-ai-eavs-image-3-1440x900.png/_jcr_content/renditions/16-10-medium-640x400.png)；类别：企业案例的官方指标图；状态：active
支持：图中DPPM243→153、LAR86.8→95.5；与原文为同一案例。
定位：Key success metrics图中的DPPM与LAR两项。
点开即为官方指标图；出货件与批次的分母不同。图中其他成本/面积数未用作本站收益结论。
原始发布：未知；修订：未提取；图自身发布时间/修订日未披露；部署事件为2024-11
本轮实际读取并目视核对；企业披露，非独立审计或全成本对照。
2026-10-14书目信息，非实验复验。

本页整理：2026-10-14；事实范围：2026-10-14。原报告及10月14日企业原文/指标图有限核对；修正值不回填为旧快照，未复验工厂效果。

## 变化与限制
Seagate披露34设备视觉质检的出货缺陷变化；Bosch以约1.5万合成图补新产品缺陷样本。它们支持局部工位应用，整厂收益仍需另测。
指定研究的编辑判断，未对本站任务做新的完整现场验证。地区、语言与人群另需适配。
来源→机制→任务适配，不分配来源分数给任务。

## 原子影响
尚未建立本站原子映射，不硬配职业。

网页不授予业务权限，相邻研究不证明当前任务通过，未知保持未知。