在微觀經濟學中，有一個評價商品優劣的指標，叫做——勻質。顧名思義，指的是該商品在市面上性能表現或服務水平的穩定如一——是的，越是高端品牌越要摒棄“拆盲盒”，不僅不能降低水準，也不宜隨意升高。勻質性為何如此重要？一方面，它管理了客戶的穩定預期，尤其在品牌影響力明顯的快消品領域，勻質的產品性能和服務直接指向確定的“心錨”，價格、定位、受眾，牽一發動全身；另一方面，它反映了企業穩定的生產水平，即在長周期內克服產能突擊、生產故障及安全等潛在困難的綜合能力。
由消費反推制造，當品牌信譽度與商品勻質程度相掛鉤，就意味著制造企業必須嚴格把控“良品率”，在生產過程中精修缺陷檢測環節，對可見瑕疵嚴防死守。僅僅聽起來就已令人疲憊，更別提傳統產線上的質檢工人持續不間斷的盯、審、檢、放重復工作。
一個小小的紅戳，背后是質檢工人體力與眼力的極限。而令人絕望的是，人體極限難有突破，而商品勻質的競爭和品牌信任的維系，卻從未停下腳步。
冠捷集團與聯想一拍即合，尋求數字化質檢良方
冠捷科技集團（下簡稱：冠捷）是全球化科技公司，在全球建立了龐大的工廠制造體系，其液晶顯示器產銷量長期保持全球第一，全球市占率超過35%，行業龍頭地位穩固，并超前布局智能制造戰略，預計于2024年、2026年實現數字化工廠建設和智能化工廠轉型。宏觀戰略的落地離不開微觀流程的變革，在主體產線和設備實現一定程度數字化的基礎上，冠捷一直在尋找能夠解決其傳統屏幕質檢（缺陷檢測）難題的好方案。然而，由于場景與要求的特殊性，加之數字化智能化技術滲透的不足，冠捷一直未尋得與其生產組裝要求相匹配的良方。
或是偶然，或是必然，作為聯想長期以來的重要合作伙伴，冠捷在一次參觀聯想研究院算法產品時，初遇彼時還只是一個小demo的聯想LCD屏幕光學檢測解決方案，經過聯想的自用打磨，以及雙方一系列的磨合匹配，冠捷最終為其智能制造產線這補上了智能質檢這一塊短板。
從人為到數為，缺陷檢測實現質的飛躍
缺陷檢測不同于其他流水線的常規檢測，它是價值在于保證良品率，即有缺陷必返工，因此工作價值往往只體現在極其偶然的缺陷出現之時，因此質檢工作的高要求就體現在對缺陷的精準識別：最關鍵的是不放過一個缺陷，其次是不誤判一個良品。
在以人力為主的傳統質檢場景中，持續的注視和機械的作業對工人精力的消耗，大大磨損著人眼對缺陷的敏感度和識別度，因此質檢工作的成果往往受到人為因素的主觀性和波動性。而隨著工業攝像頭的普及和視頻大數據分析的成熟，屏幕表面缺陷作為一種可識別的視覺素材，有了數字化的呈現形式，也就有了數據化的解決思路。
聯想是計算設備的制造大廠，自身也遇到屏幕缺陷檢測的數字化難題。如何用計算賦能質檢？聯想研究院基于“場景+AI”的思路，針對質檢場景的全要素（缺陷的分類、定義、等級），打造了符合生產要求的檢測精度算法，并在深圳、武漢、安徽等工廠內部署應用，最終形成LCD屏幕光學檢測解決方案。從聯想內部推出算法，到部署、應用、打磨、推廣給外部合作伙伴，聯想將其中的漏洞與調試全部趟過，將虛擬算法與實體場景之間的不確定性全部驗證，只分享可靠經驗和可信算法。具體來看，聯想是如何基于數據來打造缺陷檢測算法的？在這個過程中又遇到哪些困難？
難為無米之炊？小樣本學習沒在怕的
在商品流通至消費者環節，缺陷是痛，在傳統人工質檢環節，漏網之缺是痛，而如今機器學習環節，“無缺”竟也成了痛點，人作為高級動物，天然具備聯想和推理的能力，想象并創造出原不存在的事物。而機器有所長，亦有所短：它們沒有發散思維和歸納認知，只有通過數據樣本的訓練才能形成特定規則模型，即算法。那么，神龍見首不見尾的缺陷數據樣本，從哪里收集呢？
既然不能人為的創造缺陷，那就需要從“開源”和“轉化”雙管齊下，把缺陷數據的價值最大化。所謂開源就是盡量多的收集同類產線的各類缺陷數據，用于訓練算法“增長見識”；而轉化是指在小樣本數據條件下去實現模型訓練。聯想基于AI積累厚積薄發，為邊緣側設備自研“小樣本終生學習”能力。它先通過元學習（Meta learning）得到“學習的方法”，再通過度量學習 (Metric Learning)調取與新場景相似的數據，形成先驗知識，提高機器本身的“認知水平”；同時，通過數據增強(Data Augmentation)技術，將數據樣本進行多維變形，提高原始樣本數據的利用率。最終實現“小樣本”的“大變身”和價值最大化釋放。
刪繁就簡，定制算法
因脫胎于聯想內部大量的制造場景和復雜的缺陷類型，因此聯想LCD屏幕光學檢測解決方案本身就已具備強大的算法能力，在復制于冠捷生產線過程中，聯想根據產線實際需求，將原有算法進行功能瘦身，主要匹配冠捷屏幕生產過程中的主要缺陷，一方面節省算力，另一方面更加聚焦于屏幕的特定缺陷。
算力方面，聯想提供工控機ECI 430+ThinkStation P920 ，采用邊緣云融合的架構，多臺工控機采集不同產線的圖像，匯集到一臺ThinkStation做算法分析，分享算力。缺陷識別方面，聯想為冠捷實現兩大類缺陷檢測：一類是常規的暗點/黑點/彩點、線條、黃斑等；第二類則是未知缺陷檢測，最大可能控制漏檢率。
持續學習，冠捷質檢方案實現降本增效
鑒于算法的“單調性”，缺陷檢測不能停留在一個靜態水平。合格都是相似的，而缺陷各有各的特色，因此，為了滿足新增類型的缺陷，算法還需要一個持續學習、不斷迭代的過程。對此，聯想將自適應技術加入算法中，建立了端到端的數據管理系統，積累歷史數據及構建完整的缺陷知識圖譜，對不良風險進行分析、預測預警、回溯。實現產線質量的持續提升及精細化控制。人力成本節省50%，效率和準確率提升30%。
所以，無論是從工廠生產效益，還是人性關懷的角度，質檢流程的數字化改革，已成為工業制造業向高端進發的必然要求。在未來，更將成為中高端制造企業生產能力之標配。超越人體的極限，以邊緣計算、AI算法、大數據為代表的數智技術的價值挖掘才剛開始，從人眼驅動到數據驅動，以聯想為代表的數字化變革廠商將大有可為。
