AI赋能晨光文具，破解轻工业大规模生产品控难题

晨光文具的品控突围：当圆珠笔遇上AI质检

在制造业的浪潮中，晨光圆珠笔以其年产量约50亿支的庞大规模，稳坐行业前列。然而，每一支笔的完美出品，背后都离不开严格的品质把控——装盒包装之前，每一支笔都要接受细致的外观检查。但现实是，这一环节还主要依赖人工完成，每条生产线都需要两名全检员轮班工作，人力成本和管理复杂度可想而知。尤其是在国内制造业用工紧缺的大背景下，成本逐年上升，已是企业绕不开的坎。

以国内第一支按动式中性笔晨光“K-35”为例，这款笔的年产量高达数亿支。面对如此庞大的出货量和严苛的质量控制要求，如何降低人工成本、提升检验效率、同时守住质量底线？这成了晨光必须解决的现实问题。

场景难点

要解决这个质检难题，首先得看清它有多难。归纳起来主要有三座大山：

- 需要检出的瑕疵在整幅图像中占比极小，且出现频次极低，极易造成误判和漏检。
- 生产现场环境复杂，多台相机成像效果不可能完全一致，存在各种光学干扰。

- 不同瑕疵类型的数据分布严重失衡——有些类别出现几千次，另一些可能只有个位数。
- 即便是同一类瑕疵，形态也千奇百怪，很难用固定规则描述。

在NVIDIA Tesla T4机器上，单次推理时间必须小于20毫秒，而且在端侧设备上要能达到实时状态。速度与精度，一个都不能少。

方案设计

这个任务的本质是定位并分类中性笔“K-35”的8类瑕疵位置，目标检测模型显然是天然之选。而PaddleX汇聚了多个目标检测领域的SOTA模型，并通过“星河零代码产线”让整个流程变得极其简单。本案例用到了两条产线：

和，借助云端多卡V100算力，低成本、零门槛地啃下了这块硬骨头。

：PaddleX提供了3档6种检测模型。高精度有RT-DETR-H；精度-效率均衡有RT-DETR-L、PP-YOLOE_plus-L；高效率有PP-YOLOE_plus-S、PicoDet-L、PicoDet-S。考虑到推理速度要求（T4上<20ms，且端侧要实时），最终选择了PicoDet-L。

零代码开发

晨光提供的数据采用VOC标注格式，零代码产线能自动将其转换为COCO格式并完成校验。校验结果会给出训练集和验证集各10个样本的带标签可视化图，同时展示类别分布——这一步让你对数据质量心里有底。

超参数对精度的影响巨大，星河零代码产线把最关键的超参数——学习率和训练轮数——直接展示在了前端，方便调参。为了找到最优组合，我们做了7组对比实验，控制变量法下最终选定学习率0.04、训练轮数100。结果如何？得到了一个mAP@0.5为56.1%的瑕疵检测模型。

56.1%的精度虽然能解决一部分问题，但一些较难的case——比如目标极小或特征不明显——依然会漏检。为了进一步提升，我们用上了方案。这个方案能利用大量无标注数据，通过大小模型联合训练来学习更强的特征。具体操作是：又准备了3000张无标注的数据，与之前的有标注数据重新组织后开始训练。选择高精度的大模型RT-DETR-H和先前迭代的小模型PicoDet-L，复用之前的超参数。经过8张V100卡15小时的训练，最终结果惊艳：大模型（RT-DETR-H）的mAP@0.5达到81.2%，而小模型（PicoDet-L）的精度飙升到，。

星河零代码产线打通了部署全流程：只需选中训练好的模型权重，一键即可部署为在线服务API。不仅能在其他联网设备调用，还可通过在线体验应用单图测试效果。如果需要在离线设备上部署，也能获取离线部署包，里面既包含模型权重，也有示例代码，按文档操作即可快速落地。

经实测，中性笔瑕疵检测模型（PicoDet-L，mAP@0.5为74.5%）的单模型推理时间控制在10毫秒左右，在精度和速度上都超出了场景要求。

用户声音

晨光团队对结果给出了这样的评价：“不写一行代码就能完成模型的全流程迭代和部署，整个过程出奇地丝滑。更惊喜的是，大模型半监督学习这种神器，只需要少量无标注数据，精度竟能提升十几个百分点——这相当于直接砍掉了我们在模型提升过程中大量繁杂的工作。未来我们会在更多内部场景中尝试和验证这套方法论。”