服务案例

8条产线的AI视觉质检改造

某消费电子代工厂 · 集中式GPU推理 · HX668V4单机承载16路

8条SMT线，16路8K线扫相机，单板判定要在300毫秒内出结果，漏检率必须压到0.5%以下。客户最初的想法是「每条线换一台更强的工控机」，算下来要8台，车间放不下、也管不过来。最后改成把推理集中到机房的一台GPU服务器，产线侧的设备反而变简单了。

（应客户要求，案例中隐去企业名称与所在地，数据来自改造前后的产线统计。）

一、项目背景

客户为华南某消费电子代工厂，主要做PCBA贴装与整机组装，8条SMT线，月产PCB组件约300万片。改造前的质检形态是每条线一台2D-AOI，机内工控机配一张消费级显卡，只跑2K分辨率图像。

问题出在良率管理上：2D成像对反光、虚焊、偏移的区分能力有限，误判率3.8%，8条线共配12名复检人员专门看AOI报出来的疑点；即便如此，漏检率仍有4.1%，不良品流到整机组装段才被发现，返工成本被放大好几倍。

客户的目标很明确：升级到3D结构光 + 8K线扫成像，用深度学习模型替代阈值判定；单板判定不超过300毫秒，漏检率低于0.5%，误判率低于1%；并且不改动产线机械结构，改造要在夜间停机窗口内完成。

二、产线上的三个硬约束

· 数据量。单板8K图像18张，压缩后单板约380MB，产线节拍3.6秒/板。8条线并行时，峰值需要每小时处理约800板、近300GB图像。这个量级靠每台工控机各自为战，既跑不动，也没法统一模型版本。

· 节拍。8K图要分块推理，单板在原来那张消费级卡上需要3~4秒，而产线只给300毫秒。算力缺口不是一点，是十倍。

· 环境。车间粉尘、夏季35℃、附近高频焊机的电磁干扰，机台旁的工控机月均0.6次宕机。把更强的算力塞进车间，只会让故障率更高。

三、方案：推理上移，采集直连

方案的核心判断是：产线需要的是「低延迟的判定结果」，不是「产线旁边必须有一台强机器」。于是把推理集中到厂区恒温机房，产线侧只保留采集与执行。

· 采集侧：保留原有16台8K线扫相机，加装100G采集卡与PTP硬件同步，多相机同步误差控制在微秒级，卷材与拼板位置不会错位。

· 传输侧：车间到机房走25G光纤环网，双环冗余，单条链路中断自动倒换。

· 推理侧：厂区机房部署1台HX668V4，实配4张L40S 48GB承担主推理，另配2张A2做图像预处理与结果后处理，把主卡的算力全部留给模型。采用GPU直连（GPUDirect）采集，图像从网卡零拷贝直接写入显存，绕过CPU内存中转，CPU负载下降约90%，只负责产线信号交互。

· 执行侧：原AOI工控机降级为执行终端，只接收判定结果、驱动贴标与剔除机构、把缺陷图片与坐标写入MES，不再承担推理。这样车间侧的硬件反而变少，故障面也随之缩小。

模型采用两级结构：YOLO系列做缺陷检测（虚焊、桥接、偏移、缺件、锡珠五类），后接一个分类网络判定缺陷等级；服务端用Triton做多模型并发，按产线设优先级队列，避免某条线异常报警时把其他线的推理挤掉。模型每周在机房侧用新样本增量训练，验证通过后按容器镜像灰度发布，回滚只需切回上一个镜像。

四、硬件配置

· 推理节点：HX668V4 × 1台，Intel Xeon 6处理器，384GB DDR5-6400 ECC

· 加速卡：L40S 48GB × 4（主推理） + A2 16GB × 2（预处理/后处理）

· 采集：100G采集卡 × 2，支持GPUDirect RDMA；PTP硬件时钟同步

· 存储：8TB NVMe做图像热缓存（保留72小时原图用于追溯）

· 网络：25G双口上联，车间侧光纤环网冗余

· 机房：恒温22±2℃，独立UPS，机柜前后风道隔离

五、实施节奏

· 第1~3周：选1条线试点。完成相机标定、光源调整、3D结构光与2D图像配准，采集并标注1.2万张缺陷样本，先把模型训练到可用。

· 第4~5周：试点线连续跑10天，统计误判与漏检，调整阈值与剔除策略，重点是让「误判」不打断产线节拍。

· 第6~9周：复制到其余7条线，每条线利用夜间停机窗口切换，单线1夜完成，次日白班即按新流程运行。

· 第10周：MES对接收尾，缺陷类型、坐标、原图入追溯库，支持按批次、按机台、按班次回溯。

六、运行成效

改造完成后连续运行6个月，产线统计如下：

· 判定速度：单板240毫秒（原620毫秒），16路相机并发零丢帧；图像端到端延迟从32毫秒降到7毫秒，PLC能同步完成不良品剔除。

· 检出率：从99.4%提升到99.93%，漏检率由4.1%降到0.19%。

· 误判率：从3.8%降到0.9%，复检人员由12人减到3人，减下来的人转做异常分析与样本标注，不再做重复目检。

· 成本：一台服务器替代了8台工控机的推理职能，硬件综合成本下降约35%，车间机台旁腾出的空间用于增加缓存工位。

· 稳定性：机房侧连续6个月无计划外宕机；车间侧执行终端因不再跑模型，故障次数从月均0.6次降到0.1次以下。

七、这个项目留下的两条经验

第一，「算力上移、执行下沉」在产线场景里往往比「就地升级」更划算。车间环境对精密的算力设备并不友好，把GPU放进恒温机房、把产线侧做薄，可靠性和可维护性都会好很多。

第二，模型迭代速度决定了这套系统能用多久。这个项目里真正花时间的不是硬件部署，而是样本标注与阈值调优；把训练与回灌做成固定流程，比一次性的「调好上线」更有价值。

（本文所述配置为该项目的实际交付形态，线体数量与相机路数变化时，可按GPU卡数与采集卡路数等比扩展。）