Bosch
生成式合成缺陷数据与定子焊点视觉质检
企业原始材料
汽车零部件制造
企业部署案例
⚙ 技术方案
深度案例｜关键链路较完整
A级证据
工厂试点/跨厂复制
A
证据等级
Generative AI in manufacturing
证据等级衡量“能否定位和复核来源”，不评价厂商披露是否经过第三方审计。
深度案例｜关键链路较完整
12 / 12
业务背景2 / 2
改造流程2 / 2
技术工作流2 / 2
人机与治理2 / 2
量化结果2 / 2
来源定位2 / 2
六个维度均达到当前完整度标准。
业务问题
自动光学质检需要覆盖多种缺陷图像，但Bosch制造质量较高，新产线很难自然积累足够坏件；等待真实缺陷会拖慢模型和产线投产，故意破坏零件又成本高且无法覆盖全部变体。
解决方案
Bosch研究团队用旧产品和每种缺陷仅两位数规模的真实图像做Domain Transfer，生成约1.5万张新产品合成缺陷图；2D与3D相机从12个位置拍摄定子焊点，视觉模型在实图与合成图上训练后快速判定并让可修复件自动回流，同时由图像专家持续修正误报规则和重训模型。
技术架构与生产工作流
Step 01
旧产品和少量真实缺陷图
→
Step 02
Domain Transfer生成新产品合成缺陷图
→
Step 03
真实与合成数据联合训练视觉检测模型
→
Step 04
12个位置的2D/3D相机采集定子焊点
→
Step 05
在线判定并让可修复件自动返回生产流程
→
Step 06
专家复核误报、调整规则并人工重训模型
关键技术与基础设施组件
生成式视觉模型合成数据Domain Transfer2D/3D工业相机自动光学检测返修回流控制专家重训
人机分工与责任边界
视觉模型完成高速初检与回流控制；图像处理工程师检查误报，例如判断弱焊是否仍可接受，并通过人工重训调整“合格/缺陷”边界。不可返修的缺陷仍按制造质量流程处置。
FDE 动作拆解
- 先定义六类焊接缺陷及可返修边界
- 盘点可复用旧产品图像和少量新样本
- 以合成数据补齐长尾缺陷而非等待坏件
- 把检测输出直接接入返修流程
- 由现场专家持续校准误报与合格边界
可迁移复用的落地方法论
- 高质量制造现场可用合成数据解决坏样本稀缺
- 合成数据必须与真实数据联合验证
- 模型判定需要映射到返修和报废动作
- 现场专家应持续维护视觉质量边界
业务成效与交付成果
Bosch称约1.5万张合成图只需每类两位数真实样本，预计项目周期比传统方法缩短6个月并带来每年六位数欧元生产率收益；检测在一瞬间完成，项目仍处于新产线训练和扩展阶段。
证据边界与核验记录
- 6个月和六位数欧元为Bosch工厂预期，不写成已审计实现收益。
- 公开文章未给训练/测试集拆分、误报率和样本外评测。