工业 AI 视觉质检系统
项目概览
本项目的核心不是界面优化,而是把一套原本只服务工程师的检测系统,重构为能支撑工厂多角色协作的 HMI 标准产品。
落地场景是铝材挤压产线的表面质检,整合为一套工业 AI 视觉质检系统。系统底层通过多相机协同与深度学习算法,识别铝型材表面缺陷;
系统的任务,是把算法输出转译为现场人员可理解、可判断、可接管的操作界面,帮助工厂从人工目视检测,转向可监控、可分析、可追溯的数字化质检流程。
交付物
铝材挤压AI检测系统
范围
UI/UX,
系统设计
项目类型
工业级AI系统
角色
设计负责人
核心挑战
系统要同时服务四类角色、处理高密度检测信息,现场又几乎没有误操作的容错空间——核心难点集中在三个维度:
#1.高并发信息判断
系统需要同时处理 2D + 3D 双模态检测与 16 路工业相机的高频画面输出。若将画面、结果与设备状态直接堆叠,会显著推高操作员的判断成本。
#2.一套系统，四种角色
工程师需要调参,操作员需要盯预警,维护工程师需要处理急停,质检人员需要追溯数据。不同角色的任务优先级、操作权限与风险边界各不相同,界面不能按功能简单堆砌。
#3.算法与人工的边界
清除工位信息、系统重置等操作,源自工厂既有的现场作业习惯——一旦被当作普通按钮直接暴露,就极易造成误触、误删和越权操作。
产品愿景
除界面优化之外，把偏工程师工具的检测系统，重构为能支撑工厂多角色协作的 HMI 标准产品——让现场人员快速识别异常、理解结果、判断优先级，并在必要时安全接管。
设计方案
#1.状态优先,遵循现场物理直觉
- 策略:主屏优先呈现实时画面、缺陷结果、设备状态与日志;16 路相机画面按产线实际方位分组,而非按功能或时间顺序堆砌。相机卡片在空闲、检测中、离线、预警等状态下有独立的视觉层级,缺陷边框(BBox)在高光、叠层等复杂画面下的显示权重也做了专门规范,避免关键信息被画面噪声掩盖。
- 价值:把高并发的检测信息,从"信息堆栈"变成一张"空间地图",操作员定位异常的认知转换成本因此大幅降低。
#2.权限矩阵替代按钮级管控
- 策略:面向工程师、操作员、维护工程师、质检人员四类角色,不再依赖零散的按钮级控制,而是通过菜单级权限矩阵,定义每类角色的操作流程、可见范围与权限边界。
- 价值:系统从单一检测工具,升级为可承载多角色协作、便于长期扩展维护的标准化产品,也从根本上压缩了跨工序、跨角色越权干扰的空间。
#3.危险操作分层隔离 + 算法不稳定期的人工接管
- 策略:数据擦除、系统重置这类高风险操作,通过置灰、多层验证与操作反馈进行分层隔离,而不是做成一键可触达的普通按钮。同时,视觉质检算法无法保证在所有工况下都能给出 100% 稳定的判断——系统不让算法输出直接等于最终判定,而是规划了轻度、中度、极端三级人工接管路径,为算法的不确定性主动保留人工干预空间。
- 价值:这是整个项目里"信任边界"感最强的一处设计判断——既不因为过度保守而拖慢现场效率,也不让误判绕开人工直接生效。
项目价值
- 本项目完成从 0 到 1 的整体交付,覆盖检测、统计分析、日志追溯与权限管理等核心模块,将 16 路工业相机、11 类缺陷识别结果与四类角色任务,整合进一套统一的 HMI。
- 系统上线后,现场误操作率下降约 20%,直接验证了危险操作分层隔离与权限矩阵设计的实际效果。全部界面、交互与权限资产已通过开发团队与项目负责人验收,正式在产线落地使用。
- 这个项目让我更确信一件事:工业 HMI 设计的价值,不在于界面本身有多精致,而在于能否在客户决策、开发成本与算法稳定性这些真实约束内,找到那个"可解释、可落地、可持续维护"的最优解。
