在微观经济学中，有一个评价商品优劣的指标，叫做——匀质。顾名思义，指的是该商品在市面上性能表现或服务水平的稳定如一——是的，越是高端品牌越要摒弃“拆盲盒”，不仅不能降低水准，也不宜随意升高。匀质性为何如此重要？一方面，它管理了客户的稳定预期，尤其在品牌影响力明显的快消品领域，匀质的产品性能和服务直接指向确定的“心锚”，价格、定位、受众，牵一发动全身；另一方面，它反映了企业稳定的生产水平，即在长周期内克服产能突击、生产故障及安全等潜在困难的综合能力。
由消费反推制造，当品牌信誉度与商品匀质程度相挂钩，就意味着制造企业必须严格把控“良品率”，在生产过程中精修缺陷检测环节，对可见瑕疵严防死守。仅仅听起来就已令人疲惫，更别提传统产线上的质检工人持续不间断的盯、审、检、放重复工作。
一个小小的红戳，背后是质检工人体力与眼力的极限。而令人绝望的是，人体极限难有突破，而商品匀质的竞争和品牌信任的维系，却从未停下脚步。
冠捷集团与联想一拍即合，寻求数字化质检良方
冠捷科技集团（下简称：冠捷）是全球化科技公司，在全球建立了庞大的工厂制造体系，其液晶显示器产销量长期保持全球第一，全球市占率超过35％，行业龙头地位稳固，并超前布局智能制造战略，预计于2024年、2026年实现数字化工厂建设和智能化工厂转型。宏观战略的落地离不开微观流程的变革，在主体产线和设备实现一定程度数字化的基础上，冠捷一直在寻找能够解决其传统屏幕质检（缺陷检测）难题的好方案。然而，由于场景与要求的特殊性，加之数字化智能化技术渗透的不足，冠捷一直未寻得与其生产组装要求相匹配的良方。
或是偶然，或是必然，作为联想长期以来的重要合作伙伴，冠捷在一次参观联想研究院算法产品时，初遇彼时还只是一个小demo的联想LCD屏幕光学检测解决方案，经过联想的自用打磨，以及双方一系列的磨合匹配，冠捷最终为其智能制造产线这补上了智能质检这一块短板。
从人为到数为，缺陷检测实现质的飞跃
缺陷检测不同于其他流水线的常规检测，它是价值在于保证良品率，即有缺陷必返工，因此工作价值往往只体现在极其偶然的缺陷出现之时，因此质检工作的高要求就体现在对缺陷的精准识别：最关键的是不放过一个缺陷，其次是不误判一个良品。
在以人力为主的传统质检场景中，持续的注视和机械的作业对工人精力的消耗，大大磨损着人眼对缺陷的敏感度和识别度，因此质检工作的成果往往受到人为因素的主观性和波动性。而随着工业摄像头的普及和视频大数据分析的成熟，屏幕表面缺陷作为一种可识别的视觉素材，有了数字化的呈现形式，也就有了数据化的解决思路。
联想是计算设备的制造大厂，自身也遇到屏幕缺陷检测的数字化难题。如何用计算赋能质检？联想研究院基于“场景＋AI”的思路，针对质检场景的全要素（缺陷的分类、定义、等级），打造了符合生产要求的检测精度算法，并在深圳、武汉、安徽等工厂内部署应用，最终形成LCD屏幕光学检测解决方案。从联想内部推出算法，到部署、应用、打磨、推广给外部合作伙伴，联想将其中的漏洞与调试全部趟过，将虚拟算法与实体场景之间的不确定性全部验证，只分享可靠经验和可信算法。具体来看，联想是如何基于数据来打造缺陷检测算法的？在这个过程中又遇到哪些困难？
难为无米之炊？小样本学习没在怕的
在商品流通至消费者环节，缺陷是痛，在传统人工质检环节，漏网之缺是痛，而如今机器学习环节，“无缺”竟也成了痛点，人作为高级动物，天然具备联想和推理的能力，想象并创造出原不存在的事物。而机器有所长，亦有所短：它们没有发散思维和归纳认知，只有通过数据样本的训练才能形成特定规则模型，即算法。那么，神龙见首不见尾的缺陷数据样本，从哪里收集呢？
既然不能人为的创造缺陷，那就需要从“开源”和“转化”双管齐下，把缺陷数据的价值最大化。所谓开源就是尽量多的收集同类产线的各类缺陷数据，用于训练算法“增长见识”；而转化是指在小样本数据条件下去实现模型训练。联想基于AI积累厚积薄发，为边缘侧设备自研“小样本终生学习”能力。它先通过元学习（Meta learning）得到“学习的方法”，再通过度量学习 （Metric Learning）调取与新场景相似的数据，形成先验知识，提高机器本身的“认知水平”；同时，通过数据增强 （Data Augmentation）技术，将数据样本进行多维变形，提高原始样本数据的利用率。最终实现“小样本”的“大变身”和价值最大化释放。
删繁就简，定制算法
因脱胎于联想内部大量的制造场景和复杂的缺陷类型，因此联想LCD屏幕光学检测解决方案本身就已具备强大的算法能力，在复制于冠捷生产线过程中，联想根据产线实际需求，将原有算法进行功能瘦身，主要匹配冠捷屏幕生产过程中的主要缺陷，一方面节省算力，另一方面更加聚焦于屏幕的特定缺陷。
算力方面，联想提供工控机ECI 430＋ThinkStation P920 ，采用边缘云融合的架构，多台工控机采集不同产线的图像，汇集到一台ThinkStation做算法分析，分享算力。缺陷识别方面，联想为冠捷实现两大类缺陷检测：一类是常规的暗点／黑点／彩点、线条、黄斑等；第二类则是未知缺陷检测，最大可能控制漏检率。
持续学习，冠捷质检方案实现降本增效
鉴于算法的“单调性”，缺陷检测不能停留在一个静态水平。合格都是相似的，而缺陷各有各的特色，因此，为了满足新增类型的缺陷，算法还需要一个持续学习、不断迭代的过程。对此，联想将自适应技术加入算法中，建立了端到端的数据管理系统，积累历史数据及构建完整的缺陷知识图谱，对不良风险进行分析、预测预警、回溯。实现产线质量的持续提升及精细化控制。人力成本节省50％，效率和准确率提升30％。
所以，无论是从工厂生产效益，还是人性关怀的角度，质检流程的数字化改革，已成为工业制造业向高端进发的必然要求。在未来，更将成为中高端制造企业生产能力之标配。超越人体的极限，以边缘计算、AI算法、大数据为代表的数智技术的价值挖掘才刚开始，从人眼驱动到数据驱动，以联想为代表的数字化变革厂商将大有可为。
