2024 年 6 月，亚马逊公开了代号 Project P.I. 的项目：在履约中心用视觉检查包裹破损，问题件被拦下转人工。媒体的关注点多在"省退货钱"上，但真正的信号不在出库端，而在 AI 来料质检——同样的技术往供应链上游平移一个环节，落在收货月台上，几乎只是时间问题。这篇文章要回答的，正是这个问题：AI 来料质检现在走到了哪一步，技术上到底能看什么、看不清什么，以及什么货值得上、什么货不值得折腾。
AI 来料质检的市场数据：质检是机器视觉在仓储里增长最快的场景之一
根据市场研究机构 Dataintelo 的统计，2025 年质量检测约占仓储机器视觉应用收入的 22.1%，并且预计到 2034 年以年均约 17.6% 的复合增长率扩张，是该报告里增长最快的几个应用类别之一。这里的"质量检测"覆盖的范围很宽——收货月台、传送带、出库分拣线上的破损识别、包装缺陷、标签错误都在其中。从投资的角度理解这个数据并不难：医药、食品饮料这些强监管行业，一次召回的成本远超过部署一套视觉检测的投入；而在汽车零部件物流里，康耐视、基恩士这类厂商的视觉系统对表面缺陷的识别能力，据厂商披露已经明显超过人工抽检的水平。换句话说，市场并不是在为"AI"这个概念付费，而是在为两类东西付费：躲掉一次大事故的保费，以及替代人工抽检的不稳定性。
AI 来料质检的三个落地场景：破损、标签、清点
来料质检要看的东西，落在三个具体任务上，它们的成熟度其实很不一样。
第一个是纸箱破损与变形检测。模型需要识别的是撕裂、凹陷、角部压溃、穿刺、整体变形这类缺陷，输出一个置信度分数，超过预设阈值就报警、转人工或触发换箱流程。这类任务在技术上最先成熟，因为训练样本相对好凑——仓库里每天都有自然产生的破损箱，拍下来就是标注数据。亚马逊 Project P.I. 的逻辑本质上就是这一套，只不过它先用在了出库环节。
第二个是标签完整性与条码可读性校验。这个场景比破损检测更成熟，因为它大量复用了机器视觉在工业读码领域二十年积累的经验。根据斑马技术的方案资料，固定式面阵相机相比传统激光扫描头的优势在于读码率更高、能覆盖更多码制，并且能读部分破损或被遮挡的条码。来料环节的典型用法是：整托货物在月台门口被多台相机从不同角度抓拍，条码被批量识别后，与 ASN 或采购订单做交叉比对。机器视觉厂商 Vimaan 的 PalletSCAN 360 据其披露做的正是这件事——托盘放在转台上，数秒内全部条码被捕获并比对，发现数量不对或箱上有错 SKU 就地报警。这对 3PL 仓库意义尤其大，因为一个 3PL 每天要处理几十家供应商的货，错发、短装如果在入库之后才发现，纠正成本是月台上直接拦截的好几倍。
第三个是托盘数量清点，也是三个任务里最难的一个。难点不在算法，而在物理限制：托盘上的箱子互相遮挡，相机只能看到外层，内层的短缺靠视觉根本数不出来。所以行业里实际落地的清点方案都是"视觉 + 逻辑"组合——视觉负责数可见层、确认码放结构，数量的最终确认仍然依赖条码汇总或称重比对。凡是跟你说"相机一拍就知道托盘里多少件"的方案，先问他怎么处理被挡住的那一面。
相机怎么选、布点怎么布：决定成败的从来不是算法
机器视觉方案在来料环节翻车的原因，我见过的案例里，十有八九出在光照和布点上，而不是模型不行。
相机选型上，三个任务对应三种相机：破损检测用普通的 RGB 工业相机就够，分辨率和帧率要匹配传送带速度；条码校验要用高分辨率、带全局快门（global shutter）的工业相机，因为传送带上运动的箱子用卷帘快门会拍出果冻效应，条码直接糊掉；尺寸测量类的清点需要 3D 或深度相机。布点上，月台门口的典型做法是龙门架式多相机——顶部一台看顶面，两侧各一台看侧面，条码通常贴在侧面，所以侧面相机的角度和焦段要按最常见的箱规来定。
光照是最大的坑。仓库的顶灯是为照明设计的，不是为成像设计的：照度不均、色温漂移、日光灯的频闪在卷帘快门下会变成横条纹。成熟的做法是给检测工位单独配工业光源——环形光或条形光源，把检测区域的照度做均匀、做稳定。一个反常识的经验是：很多项目的光源和安装调试预算，最后超过了相机本身的采购价。预算表上只写相机钱的方案，实施阶段一定会超支。
误报调参则是运营阶段最磨人的部分。置信度阈值设得太松，漏检率上升；设得太严，误报把收货节拍拖慢，月台开始排队。这里有一个多数人第一次会想反的 trade-off：在来料环节，误报的代价往往大于漏检。因为漏检的破损箱进了库，还可以在上架、拣选环节被二次发现；而一次误报直接把整托货卡在月台上，后面的车跟着排队，收货主管会立刻要求把系统关掉。所以来料质检的正确策略是"宽进"——只让 AI 自动拦截置信度极高的严重缺陷，其余的打标、拍照、留给人复核。AI 在这个环节的角色是质检员的第二双眼睛，不是法官。
把 AI 质检接到 WMS 之前，先回答这五个问题
技术能看是一回事，能进流程是另一回事。AI 质检系统要和 WMS 的质检流程对接，至少要把五个问题想清楚：第一，检测事件以什么粒度写入 WMS，是按托盘、按箱还是按收货单行？第二，异常流怎么走——拦截的货在 WMS 里是什么状态，是暂存在待检区还是直接生成异常单？第三，证据图存多久、存哪，供应商索赔时能不能调出来当依据？第四，ASN 数据质量够不够，如果供应商的 ASN 本来就经常错，条码比对的误报会淹没真问题；第五，谁来维护模型，新 SKU、新包装上线时，谁负责补样本、重训、调阈值？第五个问题最容易被忽略，但它决定了这个系统是上线三个月就荒废，还是能持续跑三年。
算一笔账：什么货值得上，什么货别折腾
最后落到钱上。一个来料视觉质检工位的总拥有成本，大致由五块组成：相机与光源硬件、多相机布点的安装调试、模型训练与调参的人天、和 WMS 对接的开发、以及每年持续的样本补充和阈值维护。收益端则来自三块：替代的人工质检工时、拦截下来的错发短装和破损索赔、以及全检带来的数据资产（每托货的影像档案）。
决策框架可以简化成一张对照表：
| 值得上的货 | 先别折腾的货 |
|---|---|
| 货值高，单件破损损失大（电子产品、精密件） | 普货低毛利，破损成本低于系统摊销 |
| 标签错误会被下游罚则（零售商合规罚款、医药追溯） | 标签错误只影响内部效率，纠错成本低 |
| 供应商多、ASN 质量差，错发短装频发 | 供应商固定、来料稳定，抽检已够用 |
| 退货/索赔流程依赖影像证据 | 客诉率低，无证据链需求 |
| 收货量大，人工全检不可能 | 日收货几十托，人工看一眼更快 |
注意这个表的逻辑：决定值不值得上的从来不是"技术先不先进"，而是"出错的代价有多大"。一个日均收货 200 托、供应商 40 家的 3PL，和一个供应商固定、日均 30 托的自营仓，答案完全不同。
趋势判断：来料质检正在从抽检走向全检
把现象、数据和归因连起来看，趋势是清楚的：来料质检正在从"人工抽检"转向"机器全检 + 人机协同"。驱动它的不是某一家厂商的技术突破，而是三件事同时发生——视觉硬件的成本曲线在下行、WMS 的质检流程数字化程度在提高、以及供应商索赔对影像证据的要求在变硬。未来三到五年，每托来料货自带一份影像档案可能会变成大型 3PL 和零售配送中心的标配，就像今天的出库称重拍照一样。
但有一个问题值得在结尾留下来，而不是给出结论：当每托货都有了完整的影像档案，供应商管理的权力结构会发生什么变化？过去，破损和短装的争议靠的是收货员的现场记录和双方的扯皮；未来，争议解决依据的是一份机器生成的、带时间戳的证据链。技术改变的从来不只是效率，还有谈判桌上谁说了算。这个问题，留给正在考虑上这套系统的你。
作者：陈博士｜供应链行业研究员
