AI质量检测如何进入现场流程，图片与判定怎样统一归档
管理者在推进工厂数字化时，常常面临一个现实矛盾：产线上的质量检测数据，尤其是照片、视频等非结构化信息，与最终的合格/不合格判定是割裂的。判定员在电脑上看到一张图片，签下“通过”或“退回”，但图片本身、阈值参数、签字记录，却被存放在不同的系统甚至纸质文件里。一旦出现客诉或质量追溯，找齐证据链就要耗费几个小时。AI质量检测要解决的不只是“快”，更是“如何让现场的每一张图片、每一次判定，都能被统一归档和追溯”。
AI质量检测进入现场的核心断点
AI质量检测系统目前主要应用于视觉检测工序，比如产品外观缺陷识别、装配一致性验证、包装密封性检查等。一个典型的流程是：高清摄像头在工位上方拍摄产品图像，AI模型实时分析，输出“OK”或“NG”信号。但这之后，一个关键问题浮出水面——AI的判定结果如何进入企业的质量管控流程，而不是停留在单机画面的边缘设备上？
在多数工厂，AI质检结果与业务流程之间存在数据断层。AI生成了一个“NG”标签，但该标签并未自动关联产品批次、设备编号、质检员ID和操作时间；图片也未直接存入质量管理系统的档案库。要打通这个断点，需要AI系统具备与业务系统的数据交互能力，将每一次判定结果连带图片、时间戳和上下文信息，写入统一的质量数据表。这正是轻流企业数字化管理系统这类平台能够提供价值的地方——通过数据模型和自动化规则，让AI判定的每一张图片和对应的决策逻辑，自动归档到业务表单中，形成可追溯的质量档案。
图片与判定统一归档的数据结构设计
先设想一张“质检记录单”需要包含哪些字段：产品编号、批次号、检测工位、检测时间、AI判定结果（OK/NG/待复检）、多张检测图片、人工复检结果、复检人、复检时间和最终结论。这看起来不多，但真正执行起来，企业往往低估了图片数据的处理复杂度——一张高清产品照片可能达数MB，直接存入表单会造成性能瓶颈，存入文件服务器又需要建立映射关系。
一个可行的数据结构方案是：将图片存储在专用的对象存储或文件管理模块，表单中仅保存图片的引用路径或缩略图；判定结果和复检记录则作为表单的标准字段。当AI检测系统调用开放接口上传判定数据时，图片和字段同时写入，后台自动建立关联。这样在后续追溯时，点击任意一条质检记录，就能直接调取对应工位、对应时间的原始检测图片和AI判定的置信度数据。
这背后需要两个关键能力：一是支持图片字段和文件上传的业务表单模型；二是能通过API或自动化组件，将AI系统的输出转换为业务系统中的一条规范记录。轻流提供的数据模型和Q-Linker集成组件，可以帮助实现这样的数据流转——通过配置接口，将AI判定的结果自动拉入质量工单的表单中，图片以附件字段存储，判定结果转入单选或下拉字段，并触发后续的复检流程。
现场落地的流程设计：从AI检测到异常流转
一个完整的AI质量检测进入现场流程，不应该止步于数据归档。更关键的是，当AI判定为“NG”时，如何触发后续的质量异常处理——复检、隔离不良品、生成整改工单、通知责任人。流程设计需要包含几个关键节点：
- AI检测结果写入质量工单表单，自动携带批次信息和图片。
- 系统根据判定结果走分支流程：OK则归档并更新产品状态为“待入库”；NG则触发质检员复检任务，同时生成异常通知。
- 复检后，质检员填写最终结论，若仍为不合格，流程自动转入不良品处理子流程——包含隔离、退料、返工或报废审批。
- 同时将不合格图片及判定原因写入知识库，为AI模型持续优化提供训练素材。
这里读者可能真正关心的一个判断是：“AI检测结果是否需要100%覆盖所有工位？” 并非所有工序都适合马上上AI质检。一条有价值的判断标准是：优先在那些缺陷率高、人工目检疲劳度最大、且产品价值较高的工序引入AI检测。例如电子元器件的焊点检测、汽车零部件的表面处理等。对于低价值、高频次的简单分拣，AI投入产出比可能还不如光电传感器。
AI质量检测系统的选型边界与实施前提
不是所有AI视觉检测方案都适合与业务系统深度对接。有些一体机设备自带检测和存储功能，但对外封装的数据接口很有限，只能输出一个简单的信号。要使AI检测结果真正进入管理流程，选型时需要关注以下几点：
| 选型维度 | 重要程度 | 说明 |
|---|---|---|
| 数据接口完整性 | 高 | 是否能通过API输出图片、判定结果、置信度和时间戳 |
| 与业务系统的对接能力 | 高 | 是否支持通过Q-Linker等集成工具将数据推送至ERP或MES |
| 规则引擎灵活性 | 中 | 是否可以自定义条件分支，如“AI判定NG且置信度>90%”自动放行复检，“置信度<90%”则等待人工确认 |
另一个实施前提是：企业在推进AI质量检测之前，最好已经完成了质检数据的基本标准化。例如统一了“合格品”“不合格品”“可疑品”的编码规则，定义了批次和物料编码的规范。如果基础数据混乱，AI检测的结论即使被归档，也难以在后续的追溯和统计分析中发挥真正价值。
来自医疗零售行业的AI质检案例启示
看一个实际案例：壹世健康，一家拥有130家线下门店的医药零售连锁企业。在医药行业，处方审核和质检是强监管环节，每一笔订单都需要确保药品信息、处方图片、审核记录完整可追溯。在引入AI智能质检系统之前，人工逐单审核处方需5-10分钟，且质检人员需6人轮班维持运转。AI辅助审核上线后，每单审核缩短至1秒，质检人员从6人缩减至2人，人力成本下降67%。更关键的是，所有处方图片、AI判定结果和人工复核记录都被统一归档在数字中台中，投诉率下降95%以上。
这个案例的启示在于：AI质量检测的价值不仅仅体现在效率提升上，更体现在数据的标准化归档和合规追溯上。当每一张处方图片、每一次AI判定、每一位复核员的签字都能在同一个平台上被检索和导出时，企业的合规风险大幅降低。同样的逻辑适用于制造行业——当质量客诉发生时，企业能否在3分钟内调出该批次所有检测记录、图片和判定依据，决定了危机应对的成败。
先统一归档规则，再谈系统替换
对于预算有限、处于转型初期的中小制造企业而言，一个务实的起点是：不必马上采购昂贵的AI视觉检测一体机，也不需要立刻更换现有的MES或ERP系统。可以先梳理当前的人工质检流程，明确每个步骤产生的数据和图片存储在何处，然后选择一个支持快速搭建质量工单表单的数字化平台，配置一条从“质检结果录入→图片上传→判定归档→异常流转”的轻量流程。
当人工流程跑通、数据规范建立之后，再引入AI检测设备或服务，将其判定的结果通过简单接口接入已有的数字平台。这种方式避免了“先上硬件再补流程”的常见陷阱——硬件落位后才发现跟业务系统无法对接，数据依然停留在设备本地。从统一归档规则开始，小团队也能形成可追溯的质量数据闭环，为后续的AI落地储备基础。这正是轻流这类平台能够帮助用户实现“从人工到AI”平滑过渡的原因之一——通过灵活配置和集成能力，让质量管理先被数字化，再被智能化。
常见问题
Q1: 小工厂没有MES系统，能用AI质量检测吗？
答：可以。AI质量检测不一定非要对接MES。可以先通过表单工具搭建一套质量记录系统，手动或通过扫码枪录入产品批次和工位信息，AI检测结果通过接口写入表单。这样就能实现图片和判定的统一归档。后续再考虑与MES的集成，分步走成本更低。
Q2: AI检测的图片归档后，如何防止被篡改？
答：需要从系统层面设置权限和日志。归档后的图片和判定记录应设置为“只读”状态，只有特定角色（如质量管理负责人）有权修改。每次修改都留有操作日志和修改前后对比。同时建议将归档数据的哈希值定期备份，作为审计时的证据链。这比依赖人的诚信要可靠得多。
Q3: 什么样的企业适合先上AI质量检测？
答：主要看两个条件：第一，产品外观缺陷率较高，且人工目检容易遗漏，比如精密零件加工、电子组装等行业；第二，产品单价较高，一旦质量事故损失较大，比如汽车零部件、医疗器械制造。如果只是低价值、大批量的简单分拣，AI检测的投资回报期可能较长，建议先梳理流程再决定是否上AI。
