AI来"判片"了：射线检测员会被取代吗？

这两年，"AI缺陷自动识别"几乎成了射线检测设备的标配宣传语。

它到底能做到什么程度？哪些是真实能力，哪些是过度承诺？今天讲点实在的。

一、为什么必须要上AI？

先看清传统人工评片的三个死结：

1. 生理极限

人眼在观片灯下连续高强度判读，注意力通常在30–40分钟后明显衰减。而一条全检产线一天可能产出上千张图像。

2. 主观差异

"这个算不算超标气孔？"——不同经验、不同状态的评片人，给出的答案可能不同。这种波动，对主机厂来说是不可接受的质量风险。

3. 节拍倒逼

当产线节拍做到20秒/件、甚至3秒/张片时，人根本来不及仔细看。

这三个问题，靠"加强培训"和"提高责任心"解决不了，只能靠机器把重复性判断接过去。

二、AI判片的真实能力边界

AI做缺陷识别，本质是从大量标注样本中学习缺陷的灰度与形态特征，然后在新图像上把相似区域框出来。

它擅长的：

重复性高、形态稳定的缺陷：气孔、缩松、夹渣、焊瘤、未焊透；

高速初筛：在毫秒级完成一张图的扫描，把99%的合格件放行；

稳定输出：不受疲劳、情绪、交接班影响，判定标准始终一致；

量化记录：缺陷位置、尺寸、置信度全部留痕，可追溯、可统计。

它目前仍需人工兜底的：

极端罕见的缺陷类型（样本不足，模型没见过）；

边界判定的判定（处于合格线附近的灰区）；

新材质、新结构的首件验证（工艺变更后需要重新积累数据）。

所以真正落地的形态，从来不是"AI取代人"，而是AI做初筛 + 人工复核可疑件。人从"看1000张"变成"看30张"，效率和准确率同时提升。

三、上AI之前，先过这四关

很多AI项目失败，不是算法不行，而是基础没打牢。

第一关：数据

缺陷样本从哪来？尤其是缺陷本身是小概率事件，某些罕见缺陷一年也遇不上几次。没有足够的正样本，模型就是空中楼阁。

这也是有长期行业积累的厂商的优势所在——道青科技在轮毂、铸件、钢瓶焊缝等场景服务了数百套系统，沉淀了覆盖多材质、多工艺的缺陷样本库，新项目冷启动更快。

第二关：标注

同一张图，两位资深工程师的标注可能就不同。必须先把标注规范定死，否则模型学到的是分歧。

第三关：标准对齐

AI判定的是"缺陷"，但最终要回答的是"是否符合验收标准"。所以模型输出必须能对接 NB/T 47013、ASME V 或企业标准的判定逻辑，而不只是画个框。

第四关：闭环

AI不是部署一次就完事的。产线工艺一变、材料批次一换，模型就要重新验证。要有持续迭代的机制，包括误报/漏报的回流分析。

四、AI之外，别忘了"中控"

领先的产线已经不满足于单机识别，而是把射线检测接入中控系统：

节拍、检出率、缺陷分布实时可视化；

按班次、批次、模具号统计缺陷趋势；

与MES、物流线联动，异常件自动分流。

这时，射线检测不再只是一个"检验工位"，而是工艺改进的反馈源——哪套模具最近气孔变多了，比质检报表早三天就知道。

写在最后

AI不会让检测员失业，但它会重新定义这份工作：

从"盯着屏幕找缺陷"，变成"训练模型、分析趋势、优化工艺"。

而企业要做的第一步，是选一个懂工艺、有数据、能持续迭代的合作伙伴，而不是买一个黑盒。

Tel:0512‑675085