【持续改进体会之32篇】把镜头当眼睛：AI视觉的工业落地经验
人获取外界信息，70%以上来自眼睛。
工业现场大量判断：看温度、看泡沫、看物料、看牲畜的形体，过去都长在老师傅的眼睛里，视觉有丰富的细节，而大脑处理这些细节才能有效的解决问题。
这段时间我们用视频信号+大模型视觉能力做了一批实际案例，效果非常好，也积累了一些技术落地经验，值得作为持续改进的新抓手总结一下。

一、我们已经做成的案例

冶炼炉测温：过去用红外仪器，受粉尘、烟气、反射影响，读数不稳。让手机镜头模拟人眼，看颜色、亮度、状态变化，配合自学习模型做成测温APP，效果比专用仪器更接近老师傅的判断。

气化炉结焦监测：结焦状况过去靠人定期查看，凭经验判断。用视觉信号实时识别炉内状态，结焦趋势提前可见，避免了被动处置。

浮选优化：师傅看泡沫颜色、大小、流动性判断浮选状态，我们把手机视频信号直接接入处理，系统逐步学会了这套"看"的能力，用于指导浮选操作优化。

淀粉厂芭蕉芋进货质检：原料进厂质量过去靠人眼检疫检测，标准不一。用视觉系统看芭蕉芋品质，进厂检验有了统一、稳定的判断尺度。

活牛收购净肉率判断：收购环节靠眼看估净肉率，直接关系到定价。用视觉自动判断牛只状况、预估净肉率，收购定价有了客观依据。

此外还有安全检测类应用，以及企业厂区安全交通规划，把地图和现场图像交给AI，自动生成车辆通行与断点绕行方案。这些案例的共同点是：过去靠人眼看，现在手机一看就明白。

人眼能看懂的现场，AI就该试着看懂。


二、为什么现在能做成

过去做视觉应用，难在算法：图像采集、特征提取、标注训练、光照适配，一个场景几个月，中小企业做不起也维护不起。

现在两个条件变了： 一是大模型具备了很强的图像和视频理解能力，不需要从零训练； 二是手机镜头足够普及，采集端零成本。
两者结合，开发逻辑彻底改变，以前是先建模型再找场景，现在是先找场景再快速验证；有的场景半小时就能搭出原型，几天跑样本进现场。


三、几条技术落地经验

第一，选场景看四个标准：高频发生、依赖人眼、经验难写、误判有代价。四个都占的场景，优先做。

第二，采集端从简。先用手机镜头，不急着上工业相机。现场光照、角度、粉尘这些干扰，恰恰要在真实条件下让模型去适应，实验室里训出来的模型到现场往往失灵。

第三，不追求一步到位全自动。先让系统学会"看"，人做复核；把判断对错反馈回流，模型持续修正；成熟后再接入业务流程。小步快跑，比一次性上大系统成功率高得多。

第四，识别不是终点。视觉信号的真正价值在识别之后——要不要报警、要不要调整参数、要不要改变定价。把视觉接到决策链上，才是完整的闭环。

视觉信号的终点，不是识别，而是行动。


四、给持续改进的一点启示

持续改进做到第32篇，一个判断越来越清晰：AI不只属于办公室，更该进入现场。火焰颜色、结焦状况、泡沫状态、原料品质、牲畜体况，这些过去靠经验维持的环节，现在都能成为AI的输入。

建议有兴趣的企业做一次"镜头扫描"：把现场所有靠人眼完成的判断列出来，按四个标准排序，挑一个高频高价值的，用手机拍起来。成本不过一部手机，打开的可能是下一个改进空间。

当手机一看就明白，持续改进就多了一双不会疲倦的眼睛。