在數智化浪潮中，云南中煙順勢而為，全力推進數字化轉型。一系列借助新興技術的實踐成果，就是云南中煙構建智能化生產體系、打造制造力新優勢的生動注腳。

產品質量檢測有了更精準畫像

兩年前一個工作日，在云南中煙紅塔集團昭通卷煙廠的卷包車間，高從文和同事們看著被視覺檢測系統剔除的眾多產品犯起了愁，“為什么被剔除出來？要從哪個環節著手優化？還是只能通過人工排查？”

“原有視覺檢測系統對合格標準的劃分較為籠統，不能涵蓋所有可能出現的檢測類型。”高從文在查閱信息后總結道。

能不能基于最新的圖像識別技術，讓產品外觀檢測和分類更快、更準、更精細？一個由卷包車間、信息科、工藝質量科等部門攜手，涵蓋了電氣修理、機械操作和信息系統管理的研發小組迅速集結。

研發小組成員查看產品外觀剔除原始圖像

第一個難題很快就擺在了研發小組面前。那時，關于產品質量檢測的圖像識別基準數據較少，行業也缺乏產品多功能智能檢測模型方面的研究。

“沒有前人鋪好的路，那我們就自己造！”高從文回憶道，在剛開始的兩個多月時間里，小組成員為了盡可能多而全面地采集不合格產品圖像并進行篩選、標注處理，幾乎是背著眼藥水干活。最終，研發小組根據外觀質量評價標準和車間生產需求，構建起首個產品外觀采集數據集。

“這樣一來，被剔除的產品就不再是‘身份不明’的流浪兒，它們有了精準的分類，也就有了研究的價值，能夠為生產工藝改進、質量提升決策提供精準導航。”高從文說。

研發小組就精準分類功能集成需求展開討論

毫米級“鷹眼”檢測讓微小瑕疵無所遁形

數據是AI模型的“糧食”，只有高質量的數據才能訓練出高性能的模型。傳統算法常常“看不準”小缺陷，如何才能讓檢測模型更深入地結合產品生產場景實際，更精準地識別出小粒度目標缺陷？研發組的小伙伴們向改進算法模型發起了挑戰。

“我們要優化算法，就必須攻克檢測精度和速度平衡的難關，既要保證在高速生產下準確檢測，又要滿足精度要求，這個挑戰很大！”高從文和伙伴們在反復地試驗和辯證后，決定在檢測模型中創新性地引入新機制，使模型能夠自動聚焦于產品外觀的關鍵區域，從而提高對微小缺陷的檢測精度。這就好比給模型裝上了“鷹眼”，能夠更好地捕捉不同大小的缺陷特征，從而有效提升對小目標的檢測性能。“1毫米的瑕疵也能精準鎖定，從細微的瑕疵到潛在的風險，都逃不過它的法眼！”高從文自豪地說。

反復測試外觀檢測系統

經過兩年多的持續努力和不斷探索，查看和細分產品外觀圖像從每臺設備需要10多分鐘縮短到不到1分鐘；煙箱外觀缺陷檢測準確率達99.83%……檢測系統對產品生產效率、產品質量的雙向提升，正是傳統制造業向數智化制造躍遷的一抹鮮活縮影。

數據驅動“發現—解決—預防”全閉環

“深度智能檢測不是終點。”高從文坦言，從研發之初就給產品檢測系統定下了清晰的成長目標：打破傳統質檢數據“沉睡”存而不用的僵局，完成檢測從“經驗判斷”向“AI決策”的跨越，讓數據驅動實現“發現—解決—預防”全閉環，真正反哺于產品質量管控。

“以前面對被剔除的產品，我們只能通過大量的圖像數據進行人工復檢，憑借經驗找到具體生產環節的故障根源，這樣的傳統追溯方式非常耗時費力。”一位卷包車間的質檢人員說：“現在，這位智能伙伴自動實現了不同機組的數據統計分析功能，應用模型后，1分鐘之內就可以完成精準分類、統計及預測，詳細的分析、預警在可視化屏幕實時呈現，還能第一時間發送到相關人員手機上，質檢人員可以精準地進行質量管控與流程優化，維修人員也能精準出擊，高效解決故障，最大程度減少剔除造成的輔料消耗。”

小組成員討論系統的優化提升

從“經驗判斷”到“AI決策”，思維的蛻變折射出的是云南中煙紅塔集團昭通卷煙廠數智轉型的挑戰與突破。高從文對AI視覺深度賦能卷包質量管控還有更多的“小目標”等待實現，“我們將持續優化檢測系統，拓展檢測功能與應用場景，爭取讓數智賦能更好地服務生產和管理。”