在工业制造的微观世界里，一枚只有绿豆大小的零部件正经历着检测技术的颠覆性变革。
中国企业报新质生产力调研行走进森赛睿
曾几何时，它们需要工人趴在显微镜前，以毫米级的精度逐一审视表面划痕、裂纹或装配缺陷，一天下来最多检测数百个，眼睛酸涩、效率低下是常态。而如今，在武汉森赛睿科技有限公司（以下简称“森赛睿”）AI视觉检测技术加持下，同样的零部件检测效率可以提升7到8倍甚至几十倍，漏检、错检率更是控制在万分之三以内——这场从“人眼主导”到“AI接管”的转变，不仅重构了工业检测的成本逻辑，更揭开了智能制造升级的冰山一角。
图1 森赛睿视觉AI生态链架构图
破解传统检测“效率、成本、精度”三重枷锁
在传统工业成品检测中，产品生产出来后，检测人员只能用肉眼或者借助设备仪器辅助，如显微镜，逐个对某些产品的表面缺陷、尺寸、形状等进行检测。完全是靠人的眼睛，哪怕借助设备仪器，眼睛依然是检测的核心。
没有接触过这样检测的人可以脑补一下这样的一个场景：某工厂的成品检测车间里，工人小张正手持镊子，将一枚绿豆大小的立体零部件（直径或许只有几毫米）放在显微镜下，然后对零部件的6个面逐一进行检测。假设每检测一个零部件需耗时40秒，一天8小时满负荷工作，最多也只能完成720个。
这种场景正在发生深刻的变化。引入森赛睿的AI视觉检测设备后，同样的零部件检测时间可以压缩至5秒以内，单台设备日均检测量突破1.3万个——这意味着一台设备的效率相当于18个熟练工人，且可24小时连续不间断的运转。
图2 某型元器件缺陷视觉AI检测示意图
这种效率“革命”的背后，是传统检测“人眼生理极限”与AI“算力无限”的本质差异。传统机器视觉虽早于AI出现，但依赖固定算法分割图像（如黑背景找白缺陷），一旦遇到零部件表面反光、材质差异或光源波动，就需人工重新调试参数，单次调试耗时可达数小时。
据森赛睿总经理袁方介绍，他们曾接过一个汽车传感器检测项目，传统方案因雨天与晴天的油漆光泽度差异，每周都需工程师重新校准光源，而AI方案通过特征学习，一次训练即可自适应环境变化，破解了从“毫米时代”到“秒级竞速”检测的“效率枷锁”。
随着信息技术的不断深入，原来靠信息差赚取利润的时代一去不复返，特别是当前世界经济快速下行，企业的利润空间也正在不断被压缩，而人力资本又不断上升，这种成本压力与企业利润形成的“哥德巴赫猜想”式的难题正困扰着所有的企业管理者。
更棘手的是，现在的年轻人宁愿去送外卖，也不愿进工厂，特别是从事这种枯燥的显微镜检测工作。招人难，离职率高，对于企业来说，再次招聘，不仅增加招聘成本，对于新招员工还需要增加培训的成本。而对于个体来讲，长时间的工作，对眼睛以及腰椎可能会造成严重的伤害。而如果用上森赛睿的AI技术检测，一次性投入后，这些烦恼也一次性解决了。
与此同时，森赛睿的“云边协同”模式则重构了成本结构。假设一家企业的成品检测人员有36人，按照人年均人力成本8万元计算，则36人的年人力成本达288万元。而按照上述一台设备的效率相当于18个熟练工人，36人的检测工作只需要2台AI检测设备（含云端训练平台授权）完成。按照每台设备30万元，则两台设备60万元。设备折旧一般为10年，则每年的设备投入成本为6万元。粗略计算，设备投资只占人力投资的2.08%。更关键的是，AI设备无需休息，能耗成本远低于人力管理开销，破解了人力密集型模式难以为继的“成本枷锁”。
而在精度检测上，特别是高科技产品的元器件、芯片等，人工检测的“不确定”性给成品检测也带来诸多“不确定”。
调研中袁方介绍，在传统的人工检测中，比如元器件中的一些细微划痕，尽管检测有标准，但是用肉眼去看，每个质检人员的“肉眼标准”不一样，最终造成产品质量存在细微的差异，导致同一批次的质量合格率下降。
森赛睿承诺的AI检测漏检率只有万分之三，意味着每10000个已检测的成品零部件中，最多仅有3个存在漏检或者错检，而且检测标准完全统一——这种检测的稳定性源自AI的“特征学习”能力。
图3 视觉AI云服务平台模型深度学习界面
以焊接缺陷检测为例，工程师只需在云端平台标注30—50张含焊皮、异物的图片，AI即可通过深度学习识别缺陷特征，无论缺陷出现在零部件哪个位置，或因光照产生了细微阴影变化，AI都能精准识别。
袁方介绍，他们与合作方盐津铺子的鹌鹑蛋检测，只在云平台标注30张图训模型下载到控制器里，插上相机就能运行。如果是传统方案，光硬件的选型工作就得工程师调试一周，而AI设计完成之后，就像傻瓜相机一样，简单好用，即使不懂AI技术的人只要会开机就能熟练地使用，彻底解决了人眼误差与工业标准矛盾中的“精度枷锁”。
图4 视觉AI云服务平台标注界面
技术闭环与生态构建的AI视觉破局
在工业检测中，“缺陷样本稀缺”曾是阻碍AI落地的核心难题。例如，某种高精尖零部件的裂纹缺陷一年可能仅出现数十次，导致难以收集到足够样本进行训练模型。而森赛睿的“小样本训练”技术则突破了这一瓶颈——通过无监督学习（用合格样本判断异常）与扩散注意力模型（生成模拟缺陷图），仅需30—50张真实缺陷图即可启动训练，训练时间压缩至分钟级。
“我们就像教小孩认东西一样。”袁方解释道，“先给AI看100张合格零件图，它会学习‘正常样本’的特征分布，再给它看20张带裂纹的图，它就能识别出‘异常’。如果样本还是不够，我们就用扩散模型生成类似裂纹的模拟图，让AI进一步学习。”
图5 视觉AI“无监督训练”方法
这种技术让AI在新能源电池极片检测、PCB板焊点检测等稀缺缺陷场景中快速落地，用“极简数据”撬动工业场景，极大地降低漏检和错检率。
另外，森赛睿的解决方案是“云端训练+边缘部署”——用户在云端平台训练好模型后，将轻量化模型下载至本地检测软件，配合自研的AI控制器（集成AI算力芯片），可实现30毫秒/图的处理速度。
这种架构带来的双重优势是，一方面，云端弹性计算避免用户自建服务器，节省硬件成本；另一方面，边缘侧实时处理能满足高速产线的需求，真正实现从“云端训练”到“边缘部署”的全链路打通。最重要的是，数据无需上传云端，解决了企业数据保密的顾虑。
图6 视觉AI检测推理软件
在森赛睿合作的山东某烤鸭厂车间里，质检员李大姐正在用森赛睿的AI平台检测鸭皮炎。她是一位从未接触过编程的员工，却同样能熟练完成“上传图片-圈选皮炎区域-选择‘速度优先’”等程序操作。
“跟用手机修图一样简单，”李大姐笑着说，“以前挑皮炎鸭一天累得眼花，现在设备自己跑，我只需要抽检就行。”
图7 肉类（鸭）加工生产线
森赛睿汪工介绍，这种“零代码”能力源自森赛睿的云端训练平台。平台提供可视化引导界面，用户无需懂AI算法，只需按步骤标注缺陷、选择检测目标（如“划痕”“变形”）和模式（速度/精度优先），系统即可自动生成模型。
比如，要检测中药饮片，拖一个颜色识别模块，再拖一个“纹理分析模块”，接上相机就能实现检测霉变和切片厚度，整个过程就像搭积木一样简单，完全不用写代码，比传统方案省心多了，真正实现让“AI检测平民化”照进工业检测现场。
从“设备商”到“生态构建者”的商业进化路径
早期的森赛睿以软硬件一体化销售为主，“云平台+软件前期免费试用”这种模式快速打开了中小企业市场。但公司创始人袁方有着更长远的规划：“我们的终极目标是打造‘产品—服务—数据资产’的闭环。”
比如，针对轴承行业，森赛睿计划通过积累“10万+”轴承缺陷的数据，训练出“轴承通用检测模型”。新用户无需自己标注数据，直接调用模型即可检测，大幅降低使用门槛，将实现从“硬件销售”到“数据资产”的闭环商业模式。
在工业视觉领域，许多进口品牌曾长期占据高端市场，一套检测系统售价动辄数十万元。森赛睿通过全产业链自研打破了这一局面，核心算法100%自研，基于更贴近工业现场的需求洞察和AI赋能，大幅降低视觉检测系统的部署成本。
像精密电子元件检测这种场景，传统方案光打灯调试就得请专家花上半个月，现在采用森赛睿的AI检测平台，拍一些元件图片，十分钟训练一个模型，插上集成控制器就能用。“对企业来说，检测成本大幅下降，产品良率大幅提升。”袁方感慨道。
浙江某电子厂老板算了一笔账：“以前买某知名视觉大厂的设备，一台的价格够买森赛睿五台。现在用森赛睿的设备，一年就收回成本，省下的钱能扩产一条新产线。”
事实上，森赛睿的规划远不止于“替代人工检测”。据袁方透露，公司正在研发“数据洞察”产品，将检测数据转化为生产优化方案。例如，在某商场人流检测项目中，AI不仅能识别“有没有人”，还能记录每个人的移动轨迹、停留区域。半年后生成的热点图显示，商场西北角的化妆品柜台人流量最大。商家据此调整了陈列布局，极大地迎合了消费者的需求，商家自然销售额得到极大的提升。对于森赛睿来说，这标志着从“缺陷检测”到“数据洞察”的价值升级。
“我们要做的不是‘工业眼睛’，而是‘工业大脑’。”对于未来的发展，袁方表示，在工业领域应用方面，巩固应用基础，通过销售带动技术进步；在产品化布局方面，重点在多应用场景下，行业应用只推广成熟的解决方案；在数据洞察引擎方面，重点在视觉基础上，通过数据挖掘，提升数据价值；在行业模型方面，主要是通过降低数据需求与训练成本，提升行业解决方案的精准度和效果。
事实上，作为国家高新技术企业，森赛睿科技始终坚持核心技术自主可控，形成了视觉AI算法、边缘计算硬件、工业软件等领域的技术矩阵，累计获得32项知识产权，并获得“人工智能企业”“中国软件企业”等权威认证。其研发的视觉AI生态链产品已在半导体芯片封装检测、新能源电池缺陷识别、汽车零配件缺陷检测、精密部件装配定位等复杂场景实现规模化应用，显著提升了生产效率与良品率，成为高端制造领域质量管控的“数字哨兵”。
审核：张曼 刘海洋
校对：米果 晓符
