帆声科技 FSQ® 工业多模态 AI 决策模型
立即咨询
首页
多模态
图像与时序联合判定
三类输出
判定、类型与工序
产线侧
工控机或边缘服务器
可复核
留存原图与依据
⚠️行业痛点与挑战
🔍复合缺陷判不准
划伤叠着压痕、油污盖住气孔，目检员在节拍内只能凭手感，同一批件换个班结论就变，返工与放行都不踏实，出了客诉也拿不出当时的判定记录。
⏱️只判结果不指原因
相机只看到表面，判了不合格也讲不出是模具、参数还是来料的问题，工艺员拿着一个不合格标签，不知道该动哪一环。
🧠单看图像误判多
只吃图像的模型遇到反光、光照漂移就报警，合格件被判成不良，误判一多班组干脆把系统关掉，后面再想推就没人配合。
🔗判定依据留不住
结果只有一个红绿灯，复核时找不到当时的原图与设备状态，客户投诉时无法回溯是哪一批、哪一台、哪个班次。
📉换型全压在算法
产品换型、批次换料，阈值与维护工作全落在算法人员身上，产线等排期，一等就是好几天，订单一急就只能硬扛。
🚧工艺与品质两套数
品质部管判定标准，工艺部管参数调整，两边各存一套数据，缺陷原因只能在会上靠猜，谁也说服不了谁，最后按惯例处理。
🎯产品定位与核心价值
FSQ® 是面向工业质检的多模态决策模型，融合图像与设备过程数据给出判定，并把异常指向可能的工序，一般部署在产线工控机或边缘服务器上。
💡交付可验收
复合缺陷判定与归因方案的验收标准在项目启动时确认，多模态缺陷检测系统能力的达成度可对照检查。
🔁业务价值导向
多模态缺陷检测系统相关能力的价值以业务指标度量，从部署之初即明确效果口径。
🧷工程化落地
复合缺陷判定与归因方案的实施方法与交付节奏成熟，上线到见效的路径可复制。
⚙️核心能力详解
🧮图像与过程量同判
把工件图像与设备节拍、压力、温度等过程量对齐到同一时间轴再推理，减少只看表面造成的误判，也减少来回沟通。
🧱一次返回三类结果
每次判定给出合格与否、缺陷类型与可疑工序，现场按类型分流返修，工艺按工序往前查，不必整批拆开复检。
⚡复核凭证随件留存
判定时保存原图、模型版本与输入数据快照，复核与客诉追溯按件号调取，不靠人回忆当时的现场，客诉时拿得出证据。
📊阈值按机台分开设
同一条线不同机台各自设判定阈值，换型改阈值不动模型，减少算法人员到现场的次数，换型不必停机等排期。
🌐推理留在厂区内
模型跑在产线工控机或边缘服务器，图像不出厂区，网络中断时本地判定链路仍能继续跑，数据也不必往外传。
🔧结果按工位输出
判定结果带工位号与件号输出，可写入质检台账或 MES，字段按现场系统接口逐项对齐，追溯时能与工单对上。
📐技术规格
| 产品名称 | FSQ® 工业多模态AI决策模型 |
| 所属厂商 | 帆声科技 |
| 产品分类 | 工业制造·多模态缺陷检测系统 |
| 核心能力 | 图像与过程量同判、一次返回三类结果、复核凭证随件留存 |
| 应用场景 | 压铸件表面判定、装配错漏装核对、涂装前处理判定 |
| 数据边界 | 复合缺陷判定与归因方案相关数据的归属与访问范围由客户按合规要求确定 |
| 部署前提 | 多模态缺陷检测系统的运行环境需与工业制造场景的既有基础设施相匹配 |
| 能力颗粒度 | 多模态缺陷检测系统可按复合缺陷判定与归因方案场景的规模逐级启用，初期投入可控 |
| 协同机制 | 产线缺陷判定方案与多模态缺陷检测系统的接口在实施阶段一并确认，避免后续返工 |
🏭典型应用场景
✈️压铸件表面判定
品质部在压铸清理工位架相机，操作工扫码后自动取像，模型结合压射曲线判气孔与冷隔，结果分送返修筐与合格道，复判在工位终端完成。按单班复判件数与误判申诉量衡量。
🚗装配错漏装核对
总装线在工位上方装相机，装配工每完成一件触发拍照，模型核对卡扣、螺钉与线束走向，漏装直接亮灯拦在工位，不让它流到下道。按拦截件数与返修台拆解量衡量。
🔋涂装前处理判定
涂装线在前处理出口设检测位，工艺员按批次调阈值，模型看挂具上的水痕、锈点与油污，超限件转返工，判定结果随挂具号记录。按返工比例与后道喷涂不良数衡量。
🌊焊接过程判定
焊装线把焊接电流电压曲线与焊后外观图一起送进模型，工艺员按车型查虚焊与烧穿可疑件，判定结果贴到车身条码上，返修工位按条码取件。按返修工位负荷与拆解确认结果衡量。
🏗️来料混料筛查
来料检验在收货口用相机拍整托物料，模型按丝印、颜色与外形比对工单，混料托盘整托退回，检验员只处理被判可疑的托，不逐箱翻查。按退料批次与被迫停线的工单数衡量。
🚢工艺参数归因
工艺部每周导出判定记录，按缺陷类型与机台、班次、材料批次交叉看，把集中出现的缺陷指回具体工序，再安排试模或调参。按归因结论落地条数与重复缺陷下降衡量。
🏆典型应用案例
📦
样本按工序分层采
先按工序把缺陷分成压铸、机加、装配三段，每段在正常生产里连续采几天，标注时写清机台、班次与材料批次；切分时以生产批次为界，同批件不跨集合。收益按复判件数与跨批次误判数核对。
🛫
过程数据对齐时间轴
在工位加一路触发信号，让相机曝光与设备动作同一时刻记录，压力、温度按毫秒打时间戳存进同一张表；训练前先查对齐误差，偏差大的班次整段剔除，不拿脏数据凑样本量。收益按可用样本比例与判定重复性核对。
🏭
误判按周复核
品质部每周抽被系统判不良的件人工复判，把误判分成光照、来料、模型三类，光照类调工位，来料类退回供应商，模型类进下一轮样本；每类记频次，按周看变化。收益按误判申诉量与产线停机次数核对。
📦
换型用阈值分层
同一模型服务多个规格时，按规格建阈值组，换型只切组不改模型；新规格先小批量跑一周，比对人工复判再放开，放宽的阈值设有效期。收益按换型调试工时与首件确认时长核对。
🔌接入方式
🖥️与 MES 和质检台账
判定结果按工位号、件号与时间输出，写入质检台账或经接口服务转 MES；字段与编码规则要按对方接口文档对齐，跨网段走网关，不把工位机直接暴露在办公网。
☁️与 PLC 和产线控制
分拣、剔除与报警由 PLC 执行，模型只给判定与置信信息，通过 IO 或工业以太网把结果送到 PLC 寄存器；握手时序要定义清楚，避免判定未完成就放行，也避免重复剔除。
🤝与相机和光源控制
取像由工位相机与光源控制器完成，模型侧只接图像与触发；换相机要重新标定并重设曝光参数，光源角度与亮度变化会直接改变输入分布，需同步记进样本元数据。
🧩生态协同与能力底座
🧩设备集成商与专机厂
这类模型通常不作为独立设备卖，而是随检测工位或专机一起进场，集成商负责工位结构、取像与分拣，模型方负责判定与阈值；两边要在设计阶段定好取像位置与节拍余量。
🔗相机光源与工控机供应
成像质量决定判定上限，相机分辨率、镜头与光源方案要按缺陷尺寸倒推，工控机的算力按模型与相机路数配；这些部件多由不同供应商供货，安装孔位与线缆走向要提前对好。
🌱工艺顾问与检测服务
缺陷判定标准往往由厂内工艺或外部检测机构给出，模型只执行标准不定义标准；上线前要把标准写成可执行的图文对照，否则标注与复判会各说各话，模型再好也判不准。
🚀产品差异化特点
🌟输出指向工序
多数视觉系统只给合格与不合格，这里的判定带可疑工序与缺陷类型，工艺员拿到结果能直接排试模或调参，不必再从图像反推是哪一台设备出的问题。
🆚多模态而不是单图
把图像与设备过程量放进同一次推理，反光、遮挡造成的单图误判能被过程量拉回来；只做图像的产品遇到工况漂移，只能靠加样本硬扛，样本永远追不上变化。
🧬阈值与模型分开管
判定阈值按机台与规格分层，现场可调，模型本身由算法侧统一维护；换型不用等算法排期，模型升级也不必逐台重设阈值，两件事互不牵制。
✅最佳实践
📝
取像工位先固定
相机支架、光源角度与工件定位在试跑前就要锁死，试跑期间挪一次工位，前面样本的分布就变了；不少项目返工都出在工装没定就急着采样本，后面只能整批重采。
🔄
判定标准先写成文
合格与不合格的边界要用图文对照写清，包含可接受的范围与典型不良图；标准含糊时标注员之间就不一致，模型学到的也是摇摆的标签，怎么调都不稳。
🎯
样本要覆盖班次批次
只采一个班次或一批材料，模型会把当时的颜色与光泽当成特征；采样本要跨班次、跨材料批次，并把机台与批次写进元数据，换料时才知道该不该补样。
📈
复核责任落到岗
误判复核要指定岗位与时限，复判结论回写样本库；没有复核人，误判只会变成现场抱怨，模型也拿不到可用的样本，跑半年还是最初那批数据。
🗺️企业落地路径
1️⃣
工位勘测与标准梳理
进场测工件尺寸、缺陷最小可见尺寸与节拍余量，据此定相机、镜头与光源方案；同时把判定标准整理成图文对照，输出选型单与标准确认单，双方签字后再采样本。
2️⃣
样本采集与基线
按工序分层采正常与不良样本，同步记录过程数据与批次信息，训出首版基线模型，在离线集上比对人工复判，输出基线报告与已知盲区清单。
3️⃣
产线联调与阈值标定
把模型接到工位，打通触发、判定与分拣时序，按规格标定阈值，小批量试跑并逐日复核，输出阈值表、接口说明与试跑记录，把这段时间的误判逐条归类。
4️⃣
复核机制与移交
把周复核、样本回流与模型替换写成作业文件，培训品质与工艺各一名接口人，交付模型包、阈值表与回退方法后转入日常考核，交接当月保持每周一次的联合复盘。
💬常见问题 FAQ
不良样本很少，模型能训起来吗？
这类模型通常以正常样本为主建立基线，再用少量不良样本做区分；样本太少的缺陷类型建议先由人工兜底，等产线跑出足够件数再纳入，不要用合成图硬凑。
图像和过程数据怎么对上时间？
一般靠工位的触发信号做基准，相机曝光与设备动作同时打时间戳，过程量按采集周期写入同一张表；对齐误差要在训练前实测，偏差大的时段整段不用。
现场没有 MES 能单独跑吗？
可以，判定与留图在工位本地完成，结果先落本地台账，再由接口程序按班次上传；没有 MES 时用共享目录或数据库中间表也能查，只是追溯粒度粗一些。
误判多了先调模型还是调阈值？
先看误判集中在哪一类：光照与来料引起的调工位和来料，阈值能压住的按规格调阈值；只有缺陷形态本身分不开时才回训练。顺序反了会把模型改坏，还会丢掉可用的基线。
换型一定要重新训练吗？
同族产品换个规格，通常调阈值与感兴趣区域就够；外形、材质或工艺路线变了才需要补样本重训，判断依据是新规格的缺陷形态在旧样本里有没有对应。
模型能不能自己在产线上更新？
不建议让产线自动更新，模型包应由算法人员训练、评估后在停机窗口替换，并保留上一版可回退；自动更新一旦跑偏，整批判定都不可信，追溯也说不清。
谁能改判定阈值？
阈值要绑到岗位而不是公开，工艺与品质各有一级权限，改动留操作人、时间与原因；换型临时放宽要设有效期，到期自动回原值，避免下一班沿用。
验收按什么口径算通过？
建议按人工复判一致比例、单件判定耗时与长时连续运行的稳定性三项定，抽样规则和判定责任人在合同附件里写清；只比训练集上的表现，量产时容易对不上。
📄信息来源与免责声明
本页面由云巴巴基于帆声科技官方公开渠道信息整理发布，内容覆盖多模态缺陷检测系统等产品能力。
页面描述基于公开资料，复合缺陷判定与归因方案相关功能的最新状态请以官方发布为准。
云巴巴提供FSQ® 工业多模态AI决策模型的选型对比、方案咨询与实施对接服务，助力企业高效决策。
产品推荐
宏时数据的Zabbix Plus开源监控系统，加在开源监控引擎之上的企业管理控制台，保留原生代理与模板，解决多后台切换与批量操作缺失的问题，适用于中文监控界面。
青椒云高性能3D专业实训室解决方案，是面向中职、高职和高校开设的BIM建筑设计、三维动画、工业设计、虚拟仿真，提出的高性能3D专业实训室解决方案。方案采用VDI的云桌面架构，通过桌面虚拟化技术与计算机教室完美结合，使得环境部署集中化、管理智能化、维护简单化。
对资产和脆弱性的实时掌握是安全风险管理的基础。在工业领域，需要对工控资产、工控协议、工控漏洞等信息进行精准识别，同时，需要保证工控现场设备运行稳定。迪普工控漏洞检测平台采用安全无损漏洞检测技术，专用于工控网络资产及脆弱性检测，帮助工业企业掌握工控网络安全现状，并对发现的风险提供防范和补救措施。
安华金和数据安全运营平台DSOP，融合数据安全综合治理系统与安全态势感知系统优势。支持数据全生命周期风险监测、安全策略动态调控及威胁智能分析响应，助力企业实现数据安全统一管控，提升数据安全运营与风险防御效能。
数字化社区
视频
文章
