其他
20人300天降本千万，一个工业AI落地制造业的非典型故事
The following article is from 腾讯产业互联网 Author 产哥
正文共： 5957字 5图预计阅读时间： 15分钟文：卢或者
干涩的眼睛
接到同比增长50%的订单后，上海富驰高科（以下简称富驰）联席总裁钟伟陷入“烦恼”。
他们需要增加400个工人来完成新增产品的质检工作，这不但增加成本，而且要解决住宿、交通等配套问题——订单确定后钟伟就和同事们开会讨论是否要“再建一个宿舍楼。”
富驰是国内知名的金属粉末注射成型（MIM）产品专业制造商。MIM是一种新型金属加工技术，可以让金属像塑料一样改变形状，并且可以将金属表面粗糙度控制在0.8-1.2微米范围，因此非常适合生产形状复杂且精密的3C金属零件。
经过多年研发，富驰能用几十种金融材料生产数千种零部件，因而成功跻身某国际知名手机品牌的供应商行列，他们多款MIM产品被广泛应用在该手机中，其中一款摄像头支架部件是该品牌的重点采购产品。
2021年初，该手机品牌增加了采购量，富驰供货量约从该手机2020年产量的30%，增加到2021年的50%，但问题也随之而来。
MIM生产中，超过90%的流程都实现了自动化处理。“从前端的铸造、烧结再到焊接过程中的供氩以及尺寸调整方面的AOI（自动光学检测）都已经实现自动化。”富驰自动化总监邓声志说，整个MIM生产中，只有为数不多的流程需要人工参与，而其中最困难的环节就是视觉质检——用人眼检测产品的质量。
MIM的产品缺陷比例不高，以PPM标准计算（part per million，表示百万分的比例）MIM产品的不良率维持在“百万分之几”的区间，也就是说百万个产品中只有“个位数”的不良品。
在汽车行业这样的不良率是可以接受的，但在3C行业，尤其是这家头部手机品牌供应链中，个位数的PPM值依旧不能满足于他们的品控要求。
“客户对产品的要求极其严格，这虽然是一个‘内置结构件’但客户对他提出相当于‘外观件’的良品率要求。”邓声志说他们每年生产上亿个零件，客户只要发现一个缺陷零件，就会对整条线前后追踪，这种严格的倒查制度，让富驰倍感压力。
而在所有富驰MIM产品中“摄像头支架”属于最难质检的一种。
这是一个25平方毫米大小的金属壳，四周留窄框，中间挖圆孔，因此在侧边、内外圆弧等部位形成多个不规则形状，为了保证良品率，富驰只能招募大量工人进行肉眼质检。
工人们要将这个小拨片放到30倍的电子放大镜下去检查，他们左右翻转金属片，在投影屏上检验它是否有微米级别的裂痕或压伤。
为了增加安全性，富驰会安排两个工人双向核查质检，并且对质检完的产品再进行抽查，因此即便熟练工每小时也只能检验70个摄像头支架，三班工人轮岗，每个岗位全天只能完成1000多例检验工作。
面对这上亿个零件订单，富驰不得不招募大量工人入厂质检，高峰期有1500个工人在富驰产线上盯着电子屏幕翻看金属片。
这是一个非常费神枯燥的工作，经常工作几小时就需要做一轮眼睛保健操，工人们过度用眼，很容易出现酸涩疲劳等症状，许多人在工作了几个月，甚至几周之后就辞职离开，巨大的流失率逼得富驰反复的招募、培训、轮换工人。
现在，订单量的增加也加剧了富驰招工方面的压力，他们至少需要增加400个质检工人来消化新增订单。为此钟伟和邓声志考虑在距离工厂3公里外的地方建立一幢宿舍楼，配备新的班车，这显然要增加更多的成本。
当然，在这个解决方案之外，他们还寻求通过升级技术来解决问题，例如——寻找合适的AI算法来进行质检。
如果人工智能的视觉系统可以替代人眼进行MIM产品的外观质检，那么富驰当前面临的所有问题都将成为历史。可AI能做到吗？
AI的困境
实际上，早在数年前富驰就筹划着用AI来替代人工质检，但这个过程并不顺利。
2019年前后，富驰找人工智能公司合作设计了一台“视觉质检样机”，不过这款产品未能达到富驰的要求。
传统算法是基于规则去匹配场景，而‘摄像头支架’比较复杂，产品缺陷出现的地方并不规律，算法可能识别出A部位的缺陷，但很难将这个缺陷识别方式迁移到B部位。
邓声志说这种标准化的软件能做到70-80%的识别率，但很难再提升，无奈的富驰只能继续采用人工检测。
转机出现在2020年6月，一个偶然的机会邓声先认识了腾讯优图实验室团队（以下简称优图），进而发现优图或许是他们这个项目的“白衣骑士”。
作为国内顶级的机器学习研发团队，教AI学会“识别图像”是腾讯优图实验室最擅长的技术之一。他们在图像识别等领域拥有数十项领先技术，具备千亿规模的大数据计算能力。
2018年，优图就和TCL华星光电合作，推出了国内第一个用人工智能来判别面板业缺陷的项目——ADC项目（Auto Defect Classification，自动缺陷分类）。
和富驰一样，当时的华星光电也正受到“招工难、流失率高、液晶面板质检复杂”等问题的困扰。他们也一直希望利用人工智能技术为液晶建立缺陷分类模型，替代原有人工进行图片的识别分类。
面板的缺陷种类多达120种，此前都需要人工肉眼识别AOI（自动光学检测）拍出的图片，并根据缺陷种类进行设别和分类，双方合作后，优图实验室研发了一个AI模型训练其识别AOI图片，并自动归档分类。
两年后ADC识别单张图片的速度从人工的2秒缩短到了500-600毫秒，为华星光电节省超过1000万元人民币的成本。
单从质检角度看，ADC项目的成功给富驰带来了可以借鉴的模板，但在实际操作中，这两个项目还有着巨大的区别——在ADC项目中AI识别的是“图片”；而富驰要求AI识别的是“实物”。
也就是说，想要AI识别摄像头支架的缺陷，首先要用相机将该部件拍成照片，但在这个拍摄过程中，能否准确、清晰的显示出缺陷都是一个挑战，此外他们还需要用到机械、电器等等零部件产品。
多次研究后双方发现，要想在富驰产线实现AI视觉检测需要用到“光、机、电、软、算”五种模块，分别对应光学系统、机械、电器以及软件和算法。
腾讯优图实验室AI终端合作研发负责人王川南回忆说，他们研究后发现这是一个很有挑战的项目。“在做这个项目之前，我们也没有百分百的把握，我们进行了POC（Proof of Concept验证性测试）测试，认为自己肯定能比友商做的更好，但并没有把握一定能达到客户预期。”
就在这种“这可能是一个没有结果的投入”的复杂情绪中，优图团队从深圳飞抵上海入驻了富驰厂房，虽然他们不知道这个项目能否成功，但他们知道他们正在开创一段新的技术赋能史。
12个相机、70张照片和没有标准的标准
2020年6月优图团队进驻富驰，开始搜集标注数据。
搜集标注数据是AI模型开发中最基础的工作。在这个项目中工程师们先将有缺陷的摄像头支架拍照，并在照片上划出合适的矩形框，将缺陷部位选取标注出来，告诉AI模型，这是一个裂缝或者是压痕，整个过程类似于人类师生间的教学。
但要完成这个工作效率先设置好拍照方式和相机位置，这款摄像头支架只有25平方毫米，上面的裂痕只有几微米大小，为了能清晰准确的展现这些缺陷，优图先设计了一个拍摄设备。
这台设备可以用12个相机，一次性为摄像头支架拍摄70多张照片。
“摄像头支架看起来不复杂，但它有很多侧壁和圆弧，甚至还有内外侧之分，每一个面都无法用一张照片拍完，所以我们用高分辨率相机对每一个侧面拍摄多张照片。”腾讯云工程师张琳樑说，如此复杂的设置相机和照片除了这个部件形状特异之外，还在于“缺陷没有统一的标准”。
在这枚小小的金属片上可能存在多种缺陷，裂缝、压伤等缺陷没有精确的数字和固定的标准来衡量。
“某一个压伤痕迹算不算缺陷，没有人能给我们一个统一标准。”张琳樑说，为了和工人们对齐标准，他们会反复找厂内的“黄金眼”来确认比对。
在许多制造业工厂都存在这样一个“黄金眼”员工，他们对于产品外观的度量有着极高的准确度，凭借多年的工作经验，他们会一眼看出某个产品是否符合需要，从某种角度看，他们就代表着该产品的“检验标准”。
这种“靠人工经验积累下来的标准”，从某种角度看就是一个“浮动标准”，要让一个人工智能模型学会识别这个浮动标准显然不是一件容易的事情。
一旦搞混了标准数据，那AI模型肯定无法运行，所以腾讯云和优图团队前期会反复和客户商讨确认缺陷标准，然后将其翻译成算法能够理解的语言——通过图片的语言去定义这个缺陷，我们从形态、面积、深浅等方面来拍摄这个图片，以帮助AI模型理解缺陷的意义。
例如教会AI模型区分脏污和压伤就是一个很典型的案例，在这个评判体系中产品表面的灰尘、脏污不是缺陷，但如果产品上有顿挫感，有上下凹陷的压伤那就是一个典型的缺陷，但在图片中，脏污和压伤“都是一个黑点”。
优图的算法人员曾拿着图片去找工人请教，问他们能否从图片识别出这是否是缺陷，工人会和他们解释说，只看平面图片他们也无法判断压痕，在实际检测中他们会斜着看部件上是否有压痕深度、或者用手擦一下看是否是脏污。如果人类都不能从一张图片识别缺陷，那么AI也无法识别“AI也不能臆想缺陷”，这就意味着他们“给AI的信息量还是不足，拍摄角度还是不够”。
这种困难最终逼迫优图提出了“光度立体”的拍摄方案，他们给拍摄设备加上一圈光源，每90度切割一下像跑马灯一样顺时针分别点亮，一个灯亮起时其他都灭。这样就形成四张照片，随后优图团队再将这四张照片合成一张带有3D信息的图像，这张3D照片除了具有平面“黑点”信息之外，还可以提供这个“黑点”是否有凹凸感，斜视是否平整等信息。
“这相当于我们为AI引入了一个Z轴信息，将一些人眼无法直接判定的信息标注出来，进而让AI区别出压伤和脏污。”
与此类似，优图团队在扶持项目中还创造了“缺陷迁移、分级标定”等AI辅助算法识别缺点的模式。
2020年6月，优图团队入驻富驰进行POC测试；10月，认可测试结果的富驰向优图预定了两台原型机订单；2021年3月，经过数次调整后，优图与慧眼科技一起推出了腾慧飞瞳AI质检仪，优图负责算法，慧眼负责硬件设备，该设备已经能满足富驰上一代摄像头支架的质检需求。
但面对新增的订单和量产压力，富驰还是陷入了开篇所述的纠结——到底是用工人，还是用AI？
“蓝领AI”的崛起
如果将质检环节全部换成AI设备，富驰需要在这个项目上投资2000-3000万元，对于富驰而言，这不是一个小数目。
但这还不是钟伟纠结的主要原因，富驰管理层更担心的是，如果优图的AI系统不能满足他们新型摄像头支架的量产后的质检需求，进而耽误工期出现供货瓶颈怎么办？
如果订单交付不及时会影响整个供应链的效率，甚至影响该品牌手机的上市，这会将富驰推入尴尬境地——他们会遭到客户重罚甚至被剔除供应链体系。
因此即便优图团队已经在富驰驻场工作了半年多，即便他们研发的AI设备已经满足了富驰前两代摄像头支架的质检需求，但富驰还在犹豫。
实际上，这些困境背后的原因还在于招工的困难。
该品牌手机的产业周期呈现着明显的潮汐状态。以9-10月新手机上市时间倒推，7-8月份组装工厂就需要大量备货；而富驰这样的零部件供货商则需要在4-5月就开始生产，富驰生产的高峰期从6月份一直持续到11月份。随着新手机上市，市场缺口逐步被填满后，富驰的产量会在11-12月份回落，到第二年2-3月份他们产量会回落只有峰值时的30-40%，然后等待新一年的产品上线。
潮汐式的生产周期决定了富驰无法长期稳定的聘用工人，他们只能招聘大量临时工来应对峰值时期的产能需要。
因此富驰就需要面对这样的选择，相信优图团队，就投资2000-3000万购买AI设备替代人工质检，但要承担错过招工期延宕交付订单的风险；如果富驰不选择AI设备，那就继续招临时工，重复此前的所有痛苦。
当然，最终富驰选择相信AI。
3月，在经过严苛的验证后，富驰向腾讯优图实验室确定了量产订单，他们一次性订购了几十台AI质检仪。
与人工之间相比，这个被称为腾慧飞瞳的AI质检仪有着明显的优势，它4秒就能完成一个摄像头支架的质检，一天可以完成2万个，并且实现严重缺陷0漏检。当然它还可以24小时无休的工作，不需要住宿和班车，一年可以为富驰节约了数千万元成本。
为了研发这款质检仪，优图也投入了巨大的精力，他们有5-10个员工长期驻扎在富驰工厂中，高峰时有20个员工在富驰产线上为缺陷产品做标注。今年6月份全面交付的时候，优图的一个工程师在朋友圈发工位照片称，过去的360天几乎没有回过自己工位，她一直在富驰出差。
当然优图的野心不止于这一个项目，他们希望这台质检仪成为敲开MIM产品质检大门的那块砖头。
优图希望将这个质检仪的AI模型尽可能多的复用在同类产品上。腾讯云AI研发总经理、腾讯优图实验室副总经理吴永坚说，优图内部按照材质和工艺对产品进行了分类，例如SIM卡槽、Type-C的充电头等金属构建和这个摄像头支架都有类似之处。
“我们团队对于此类漫反射型的材质有了深入的理解，就可以在这个AI模型的基础上进行调优加工，形成适配不同部件的质检系统。”吴永坚说，3C领域的质检不能按照不同产品来设计模型，因为3C产品有着众多零件，并且很多零件一两年就会更迭一次，以此设计将会给AI工程师带来巨大的工作量。
现在通过材质、工艺方式来设计AI模型，则能让这个AI适配更广泛的产品，例如这款给摄像头支架设计的AI模型，现在就延伸应用在了锂电池的质检领域。
“锂电池对安全性要求极高，压伤、坑洼同样是重大缺陷，所以我们也将光度立体技术用在这个质检中。”
吴永坚认为优图当下做的所有努力都是帮助制造业应对“蓝领工人”下滑造成的危害。
一些数据可以佐证这个判断。
今年4月30日，国家统计局发布的《2020年农民工监测调查报告》显示，2020年中国农民工总量28560万人，比上年减少517万人，增速是负1.8%。其中，从事制造业的农民工占27.3%，从事建筑业的农民工占18.3%，第二产业保持了整体下滑0.5百分点的态势。
在这种趋势下，AI正日渐成为制造业应对“用工荒”的主要方式。
“现在大家都在谈论工厂外迁、南亚人工便宜等话题，而我们的工作就可以应对这种危机，如果我们实现了AI换人，那么就不存在制造业外迁这样的危险，因为我们把核心技术留在了国内，整个制造业全部实现自动化，再没有低端的工种，我们的设备比人工成本更低，而且中国又有着全球最聚集、最完整的产业链，所以我们的制造业大国地位会更加巩固。”吴永坚说，这是他心目中“科技让生活更美好”的具体体现。--完--
版权所有：商业江湖 转载联系微信号：living_lu 邮箱：luhl2017@126.com
卢或者，一个有着2年海上经历的远洋船员；4年市场经验的石油销售，8年媒体经验的商业记者和自媒体人。同步更新，搜狐号、今日头条、UC、百家、企鹅号、大风号、网易号等。