退货仓最吵的地方，不是分拣线，是质检台。而退货质检AI要解决的第一个痛点，恰恰不是"看得准"，是"看得一致"。
去年我去一家做 3C 翻新的退货仓，两个质检员为了一台退回来的平板吵起来：一个说屏幕右上角那道划痕"顶多算 9 成新"，另一个说"这都露底漆了，必须算瑕疵件"。主管过来瞄一眼，判了瑕疵件，第一个质检员当场脸就黑了——因为 9 成新和瑕疵件的残值能差 40%。你看，成色判定这事，表面是技术问题，底下是利益问题：同一件货，不同的人看，结论能差出几百块。
退货质检AI到底在看什么：两层模型，一层比一层难
很多人以为视觉判成色就是"拍张照片，AI 说个等级"。你可以理解为这是两层完全不同的任务，难度差了一个数量级。
第一层叫缺陷检测：这件货有没有伤。这就像体检拍 X 光——划痕、磕碰、掉漆、变形，模型输出的是"有/无 + 位置"。这层技术上已经很成熟，工业检测里玩了十几年，迁移到退货场景，准确率做到 95% 以上不难。输入是固定光照下的多角度照片，输出是缺陷热力图，质检员一眼就知道伤在哪。
第二层叫成色分级：有伤，伤到什么程度，够不够降级。这就像医生看 X 光片下诊断——同样的阴影，老医生说观察、新医生说手术。成色分级难在哪？难在标准本身是主观的。"9 成新"和"8 成新"的边界是谁定的？各家公司标准不一样，甚至同一家公司不同主管标准都不一样。AI 学的不是"客观真理"，学的是你家标注团队的主观标准。所以成色模型上线第一天，准确率可能只有 70%，跑三个月、标注样本攒到几万张之后，才能爬到 85% 以上。
结论先摆这：缺陷检测是"买现成"，成色分级是"自己养"。指望买一套设备开箱即用，直接输出"9 成新/瑕疵/报废"，那是厂商 PPT 里的故事。
哪些品类靠谱，哪些别碰：先看货，再看 AI
同样是退货质检AI，放在不同品类上，表现天差地别。我按"靠谱程度"排个序：
第一档：3C 数码。 方方正正、表面规则、缺陷类型可枚举（划痕、磕碰、掉漆、屏幕坏点）。2024 年深圳一家做手机翻新的退货仓上了视觉初筛：12 个质检员减到 7 个，剩下 5 个专做 AI 判不定的疑难件。他们的分界线划得很清楚——AI 只负责"无伤/有伤"二分流，成色等级还是人定。光是这一步，单件质检时间从平均 90 秒压到 35 秒左右。
第二档：鞋服。 难点在于柔性件——衣服褶皱本身就会被误判成"变形"，鞋面材质反光差异大。靠谱的玩法是"缺陷检测做减法"：AI 只找确定的硬伤（开线、破洞、污渍），成色分级完全不碰。杭州一家服装退货仓的经验是，AI 初筛把"明显无问题"的 60% 件直接放行，质检员只看剩下 40%，人力省一半，纠纷反而少了——因为"放行件"和"待检件"的边界是机器定的，没人吵架。
第三档：美妆个护。 瓶身小、标签多、批次差异大，视觉能做的有限。靠谱场景只有一个：防伪和批次核对——扫瓶身喷码对系统批次，查是不是正品、是不是临期。这已经不是"成色判定"，是"身份核验"，别混为一谈。
别碰的清单：异形件（形状不规则，拍都拍不全）、主观瑕疵为主的品类（比如二手奢侈品的"使用痕迹"，成色标准全看鉴定师经验）、退货量小的长尾品类（样本攒不够，模型永远养不熟）。这三类，AI 上去就是烧钱。
退货质检AI落地的三道坎：样本、光照、对接
原理懂了、品类选对了，落地还有三道坎，一道比一道磨人。
第一道：样本标注。 成色模型要吃你家自己的标注数据，几万张起步。坑在哪？标注团队内部先打起来——前面说的平板划痕之争，在标注阶段会重演一百遍。正确姿势：先让主管团队把成色标准写成图文手册（每种缺陷配"算/不算"的示例照片），标注员照手册打标，不照个人感觉。手册不定，标注就是垃圾进、垃圾出。
第二道：光照。 工业视觉的老生常谈，但退货场景特别容易翻车：退回来的货表面状态千奇百怪，油污、指纹、保护膜没撕，都会干扰成像。光照方案必须按"最脏的货"来设计，不是按"最干净的样品"。我见过最离谱的案例：厂商在展厅调好的设备，搬到仓库第一天，识别率掉了 20 个点——展厅的灯和仓库的灯，色温差了 1500K。
第三道：和退货系统的对接。 AI 判完"瑕疵件"，这个结论要写进退货单、触发不同的处理流向（翻新/折价/报废）。很多项目死在这：视觉系统是独立的一套，判完结果靠人工再录一遍，质检员嫌麻烦直接不用。对接必须做到判完即写库，AI 的结论自动带上置信度，低置信度的自动转人工——人在环里，但人只处理 10%～20% 的疑难件。
对伪需求开炮：AI 替代质检员签字？想多了
最后说点得罪人的话。这两年我听过最离谱的需求是："上了视觉 AI，我们质检员能不能减到零，AI 直接签字放行？"
不能。三个理由：
第一，成色判定是商业决策，不是技术判断。"9 成新还是瑕疵"背后是残值定价，是钱。让 AI 对钱签字，出问题谁负责？厂商不会负责，你自己也不敢。
第二，长尾缺陷永远存在。模型见过 10 万张划痕，没见过客户用记号笔在机身上写的"到此一游"。长尾样本攒齐之日，就是你家退货品类不再变化之时——不可能。
第三，纠纷需要"人"来背锅。供应商对成色判定有异议，你说"AI 判的"，对方不认；你说"我们质检主管复核过"，对方认。签字权是组织信用的问题，不是准确率的问题。
所以退货质检AI的正确定位，八个字：初筛分流，人工定级。AI 把 70% 的"明显没问题"和"明显报废"快速分走，人专注处理中间 30% 需要判断的。这才是它该干的活。
这钱花得值不值，看这一个数：单件质检成本。算一下你家现在一个质检员一天看多少件、人力成本摊到每件是多少钱。视觉初筛的目标，是把"机器+少量人工"的单件成本做到纯人工的 60% 以下，同时把"成色争议率"（同一件货两人判定不一致的比例）压到 5% 以内。两个数都达标，这钱就花得值；有一个不达标，先别买设备，回去把成色标准手册写好——那是免费的，效果可能比 AI 还明显。
作者：大刘｜自动化设备工程师
