<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[FactoryBrain的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/FactoryBrain</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; FactoryBrain]]></copyright><item><title><![CDATA[工业AI质检的三条替代技术路线对比：规则视觉、深度学习、多模态怎么选]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/170295085</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/170295085</guid><author>FactoryBrain</author><pubDate>Sun, 08 Nov 2026 21:12:11 +0800</pubDate><description><![CDATA[能用几何和灰度语言写死的缺陷交给规则视觉；写不出规则但攒得出样本的交给深度学习；需要结合工艺知识做语义推理的判定，才是多模态大模型的方向。当前产线上的主流做法不是三选一，而是规则先行、深度学习兜底、多模态复核的混合架构。选型失误的根源，多半是把三条路线当成了同一预算下的竞争品。]]></description><category></category></item><item><title><![CDATA[多品种小批量产线怎么做AI质检：换型重训的工时账与首件确认机制]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/170247338</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/170247338</guid><author>FactoryBrain</author><pubDate>Sat, 07 Nov 2026 21:11:27 +0800</pubDate><description><![CDATA[大批量产线一套模型跑一年，小批量产线一天换好几次型，每换一次都要重新「教」质检系统认新产品。把这件事工程化，只需要管住三样东西：换型重训的工时与人力、配方（检测参数包）的版本化、以及换型后的首件确认窗口。下文给出可复算的工时账、两张参数表和已公开的项目数据。]]></description><category></category></item><item><title><![CDATA[工业AI效果怎么衡量：漏检率/过杀率/OEE/单件成本KPI清单]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/170200140</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/170200140</guid><author>FactoryBrain</author><pubDate>Fri, 06 Nov 2026 21:14:33 +0800</pubDate><description><![CDATA[制造运营管理的 KPI 不是各家自定义的。国际标准ISO 22400-2（2014 版）为制造运营管理定义了34 个标准 KPI，覆盖生产、质量、维护、库存四个域，包括 OEE、MTBF、MTTR、废品率（scrap ratio）、返工率（rework ratio）、直通率（first pass yield）等，每个指标都规定了精确公式和时间状态定义。半导体行业另有 SEMI E79，德国 MES 领域有 VDMA 66412-1，ISO 22400 正是在这些行业口径基础上统一的。]]></description><category></category></item><item><title><![CDATA[IT 和 OT 怎么融合：团队构成与协作机制]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/170148718</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/170148718</guid><author>FactoryBrain</author><pubDate>Thu, 05 Nov 2026 21:15:50 +0800</pubDate><description><![CDATA[第 3 层与第 4 层之间的接口（订单下发生产、绩效数据上传）是标准着重定义的部分，恰好也是 IT 与 OT 最容易扯皮的地带。同样来自上述研究院解读的人才框架值得直接借用：工业互联网人才要按"T 型"培养——]]></description><category></category></item><item><title><![CDATA[工业 AI 需要什么数据：数据清单与采集规范]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/170053063</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/170053063</guid><author>FactoryBrain</author><pubDate>Wed, 04 Nov 2026 21:13:46 +0800</pubDate><description><![CDATA[质检要的是带标注的缺陷图像，预测维护要的是长周期、带健康标签的设备时序，工艺优化要的是参数与结果的配对记录——三种场景要的数据形态、采样率、标注方式完全不同。开工前先按场景把清单列出来，再对照工信部的分类分级指南定管理等级，比"先把所有数据都采上来"省至少一半工期。]]></description><category></category></item><item><title><![CDATA[表面缺陷检测系统的关键指标与验收方法]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/169951380</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/169951380</guid><author>FactoryBrain</author><pubDate>Tue, 03 Nov 2026 21:14:01 +0800</pubDate><description><![CDATA[分三类：检出类（漏检率、过杀率、定位精确率与召回率、分类准确率、程度识别准确率），运行类（节拍、稼动率、长时漂移），成像类（成像一致性）。二是漏检率是安全底线（放走不良品流向下游），过杀率是效率约束（误拦良品会逼现场把系统旁路掉）——验收排序上，先把过杀率压到产线能忍的区间，再在这个前提下压漏检率。见过最多的验收纠纷，起点都一样：技术协议里只写了一行"识别准确率不低于 99%"，没写这个数字怎么测、用什么样品、在哪测、谁判样。行业里真正能签字的验收，从来不是"一个数"，而是"一套方法"。]]></description><category></category></item><item><title><![CDATA[工业智能体：政策口径与技术实现路径]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/169849066</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/169849066</guid><author>FactoryBrain</author><pubDate>Mon, 02 Nov 2026 21:15:07 +0800</pubDate><description><![CDATA[先说结论：工业智能体（Industrial AI Agent）在政策文件里的定位是「大模型在制造业落地的最终产品形态」——八部门《“人工智能+制造”专项行动实施意见》（2026-01）把「推出 1000 个高水平工业智能体」写进了 2027 年目标；在技术上，它不是「会聊天的机器人」，而是一套按国家标准 GB/Z 195-2026 定义的、由八大功能模块组成的系统：感知、记忆、推理、规划、决策、执行、通信、演化。]]></description><category></category></item><item><title><![CDATA[机器视觉质检系统选型：相机/镜头/光源参数速查表]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/169747537</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/169747537</guid><author>FactoryBrain</author><pubDate>Sun, 01 Nov 2026 21:09:59 +0800</pubDate><description><![CDATA[视觉质检选型的正确顺序是「先定光源，再定镜头，最后定相机」——和多数人「先挑相机」的直觉正好相反。检测精度决定相机分辨率下限（视野÷精度×3~5 倍安全系数），产线速度决定帧率与快门类型（运动物体必须全局快门），工件材质与缺陷形态决定光源（高反光用同轴/穹顶、轮廓尺寸用背光、划痕凹凸用低角度暗场）。光学环节决定成像上限，算法只能在这个上限内做优化。]]></description><category></category></item><item><title><![CDATA[AI 质检换型要重新训练吗：泛化能力与增量训练机制]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/169652296</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/169652296</guid><author>FactoryBrain</author><pubDate>Sat, 31 Oct 2026 21:12:56 +0800</pubDate><description><![CDATA[真正需要重新采集、重新训练的，只有「跨产品族」的换型（缺陷形态、成像特征完全变了）；同族微调、近族迁移这两类场景，靠增量训练机制——冻结骨干、少量新样本、回放旧数据——通常几十张图、几小时到几天就能完成适配。判断依据不是「换了产品」，而是「新产品的特征分布和旧模型学过的差多远」。下面把这件事拆成工程上可执行的四步：先定量判断换型属于哪一档，再理解增量训练为什么不遗忘，最后给出落地流程和已验证的周期数据。]]></description><category></category></item><item><title><![CDATA[PLC 数据采集：多品牌协议统一建模实践]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/169563565</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/169563565</guid><author>FactoryBrain</author><pubDate>Fri, 30 Oct 2026 21:15:27 +0800</pubDate><description><![CDATA[HMS Networks 2026 年 6 月发布的工业网络市场份额年度报告（连续第十二年）显示：2025 年全球新装工业节点中，工业以太网占 79%，现场总线占 14%，无线占 7%；份额数据（HMS 2026 年度报告）说明协议市场不会统一，品牌格局数据（睿工业 2026 上半年，经汇川半年报引述）说明混装是常态——两件事都指向同一个工程结论：建模层越早建，后面的采集成本越低。——也就是说，国内工厂按项目、按年代、按产线分期采购，混装两三个品牌是采购史的必然结果，不是哪个厂「管理不规范」。]]></description><category></category></item><item><title><![CDATA[小样本缺陷检测：每类缺陷到底需要多少张图]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/169464751</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/169464751</guid><author>FactoryBrain</author><pubDate>Thu, 29 Oct 2026 21:09:19 +0800</pubDate><description><![CDATA[从零训练的监督分类，每类缺陷通常要攒数百到上千张标注图；基于预训练模型微调，每类几十到两百张可以起步；换成「只学良品」的异常检测路线，缺陷样本可以是零——工业界应用广泛的公开基准 MVTec AD，训练集里每类只有 60 到 391 张良品图，一张缺陷图都没有。样本量不是项目的前置门槛，路线选错了才是。]]></description><category></category></item><item><title><![CDATA[工业质检 AI 准确率能到多少：漏检率与过杀率双指标实测区间]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/169366591</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/169366591</guid><author>FactoryBrain</author><pubDate>Wed, 28 Oct 2026 21:11:46 +0800</pubDate><description><![CDATA[用一组自建测算口径感受一下（测算示例，非行业统计）：日产 5 万件、真实不良率 1%、检出率 95%、过杀率 2%——每天剔除约 1465 件，其中约 990 件其实是良品，占三分之二。「AI 质检准确率能到多少」的正确答法是给区间、给双指标、给条件：外观类检出 95%–99.98%、过杀 0.5%–2% 是当前公开数据支撑的健康区间；漏检的代价是低频高额，过杀的代价是高频低额，两者的账要分开算。按公开可核验的产线数据，外观类缺陷检出率约 95%–99.98%，过杀率 0.5%–2% 算健康区间。]]></description><category></category></item><item><title><![CDATA[工业大模型和 ChatGPT 有什么不同：通用模型直接管工厂，缺的不是「智商」是三样东西]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/169267901</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/169267901</guid><author>FactoryBrain</author><pubDate>Tue, 27 Oct 2026 21:10:54 +0800</pubDate><description><![CDATA[（它读的是文本，工厂跑的是时序信号）、（它按秒出答案，控制回路按毫秒动作）、（它按概率生成，产线要的是可复现、可追责）。补上这三样东西的工程路径，就是把通用底座垂域化——增量预训练、行业知识蒸馏、场景数据闭环，再加上一层强制性的安全联锁。本文把三道坎拆开讲，并给出一套能落地的分层架构。]]></description><category></category></item><item><title><![CDATA[工厂数据少能训动AI吗：小样本+预训练+增量微调组合方案]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/169169278</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/169169278</guid><author>FactoryBrain</author><pubDate>Tue, 27 Oct 2026 09:29:38 +0800</pubDate><description><![CDATA[工厂数据少也能训AI！通过“无监督异常检测+预训练模型+增量微调”组合方案，仅需50–500张良品图即可冷启动。缺陷样本为零时用PatchCore等无监督方法判“像不像正常”；每类100–200张时，采用两阶段串联（预筛+细分类）平衡漏检与误检；200–500张则直接微调检测头输出类别与位置。三条路径均接入样本回流池，持续积累后触发参数高效微调（如LoRA），实现模型随产线迭代进化。]]></description><category></category></item><item><title><![CDATA[AI 视觉缺陷检测系统架构拆解：从成像到剔除的五层结构]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/169161855</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/169161855</guid><author>FactoryBrain</author><pubDate>Mon, 26 Oct 2026 15:13:35 +0800</pubDate><description><![CDATA[工信部在 2026 年 7 月 20 日国新办发布会上披露，AI 视觉质检场景已实现微米级缺陷自动识别，检测效率较人工提升 5 倍以上（中国政府网、中国工信新闻网 2026-07）。但另一边，中国信通院在 2026 年 10 月济南人工智能产业大会上指出，近一半"人工智能+"应用场景停留在试点阶段，未放量推广（央视新闻、《中国化工报》2026-10）。同样一套技术，一头效率翻五倍，一头卡在试点——差距基本出在系统架构是否按工程闭环来搭。本文把这套系统拆开讲。]]></description><category></category></item><item><title><![CDATA[制造业大模型和通用大模型有什么区别：从训练数据到工程约束的技术拆解]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/168883166</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/168883166</guid><author>FactoryBrain</author><pubDate>Fri, 23 Oct 2026 21:16:34 +0800</pubDate><description><![CDATA[制造业大模型和通用大模型不是两代产品，而是同一个模型体系里的两层——通用大模型是底座，制造业大模型是在底座之上叠加行业知识注入（继续预训练/微调/RAG）和工程约束（实时性、确定性、可溯源）之后形成的垂直形态。两者的核心差异不在参数规模，而在三件事：训练语料里有没有工业数据、输出有没有工艺约束、评估标尺是实验室跑分还是生产现场指标。]]></description><category></category></item><item><title><![CDATA[工业AI到底是什么：技术栈拆解与落地路径]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/168773529</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/168773529</guid><author>FactoryBrain</author><pubDate>Thu, 22 Oct 2026 21:30:53 +0800</pubDate><description><![CDATA[工业 AI 不是一个产品，也不是某一个模型，而是一套「数据采集 → 边缘推理 → 模型训练 → 场景应用 → 持续迭代」的技术栈。它和通用 AI 的核心差别不在算法，而在约束条件：工业场景要求毫秒级响应、99% 以上的可用性、在噪声和振动环境下稳定运行，并且输出必须能被工程师复核。]]></description><category></category></item><item><title><![CDATA[漏检率高怎么解决：从成像一致性到样本闭环]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/168642660</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/168642660</guid><author>FactoryBrain</author><pubDate>Wed, 21 Oct 2026 10:50:32 +0800</pubDate><description><![CDATA[漏检率高主因非算法，而是成像不一致。83%视觉失效源于相机—镜头—光源错配。治理顺序应为：先保障成像一致性（光源、触发、快门同步），再统一标注标准，优化模型分类，最后通过样本闭环持续迭代。关键原则：缺陷至少覆盖3～4像素，每周回流难例样本，新版本灰度发布。避免盲目调阈值，优先提升图像质量与数据闭环，才能有效压降漏检率。]]></description><category></category></item><item><title><![CDATA[工厂AI大脑：90天落地制造业智能转型]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/168554868</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/168554868</guid><author>FactoryBrain</author><pubDate>Tue, 20 Oct 2026 16:10:06 +0800</pubDate><description><![CDATA[本文提出“工厂 AI 大脑”解决方案，通过整合订单、BOM、库存与现场数据，实现缺料预警、供应商追踪、智能排程等九大核心功能。基于华东某企业90天三阶段落地案例，验证其可实现缺料停线减少75%、交付准时率提升至96%、人力释放45%、投资回报周期不足3个月，推动制造企业从被动救火转向主动管理，让数据驱动经营确定性。]]></description><category></category></item><item><title><![CDATA[老设备怎么接入 AI：PLC 协议解析与边缘采集实操]]></title><link>https://blog.youkuaiyun.com/FactoryBrain/article/details/168554428</link><guid>https://blog.youkuaiyun.com/FactoryBrain/article/details/168554428</guid><author>FactoryBrain</author><pubDate>Tue, 20 Oct 2026 15:53:21 +0800</pubDate><description><![CDATA[**结论先说：设备老，不等于接不了 AI。** 车间里跑了十几年、二十几年的设备，90% 以上的情况不用换设备、不用改产线，靠「协议解析 + 边缘采集」就能把数据拿出来。真正要判断的只有一件事：这台设备的控制器有没有通信接口、接口上跑的是什么协议。本文把老设备接入的完整路径拆开讲，附协议对照表和一段可直接跑的采集代码。]]></description><category></category></item></channel></rss>