2024 年 11 月，黑五前两周，我们在 Ontario 的仓，收货口外面排了 14 辆柜车没卸。夜里一点多，夜班主管小李跑来找我，嗓子都哑了："峰哥，又跟司机吵起来了。三托货，外箱全烂了，司机一口咬定出厂就这样，供应商在电话里说运输路上压坏的。我们就两张手机拍的糊照片，谁都赖不上。"
兄弟们，这种场面，干仓库的都熟。收货口是全仓吵架最多的地方，没有之一。外包装破损这事，靠人工肉眼验，淡季还行，一到旺季，传送带一快，谁还一张一张翻外箱看？漏检是常态。更要命的是事后扯皮：货是坏了，可你拿不出"到仓时就是坏的"证据，承运商不认，供应商不认，最后八成是仓库自己把这单货损吞了。
说句实在话，我一开始对"AI 视觉收货破损检测"这种词是嗤之以鼻的。现场派嘛，听见 AI 就觉得是卖软件的编故事。直到 2025 年初，一家做家居的客户找上我们，一柜落地灯，到仓时外箱塌了七八个，灯罩碎了一地。索赔扯了三个星期，承运商说装柜就有问题，货代说路上颠的，客户天天催我们赔。那一单最后仓库认了一大半。我当时就一个念头：要是收货那一秒，有张带时间戳的照片拍下箱子进仓时的样子，这三个星期的扯皮根本不用发生。
这套 AI 视觉破损检测到底怎么干活的
我们仓现在的做法很简单，不玄乎。收货传送带上方装了两台工业相机，一台俯拍顶面，一台侧拍。每个纸箱经过，自动抓拍，模型给破损打三档：轻微（蹭了点皮，正常入库）、需开箱验（看着不对劲，分流到待检区人工开箱）、拒收（烂得明显，直接拍照留证退回去）。
重点说下"分流"这个动作。以前验货员发现可疑的箱子，喊一嗓子，整条线都得停。现在是系统判完，机械臂或者人工把异常箱推到旁边的待检笼，主线不停。旺季的时候，这个不停线，值老鼻子钱了。
但兄弟们，别指望装上第一天就好用。我们第一周，模型把纸箱上的胶带反光全判成了"破损"，待检区堆成了山，验货员骂娘说这玩意还不如我眼睛。正常的，任何视觉系统刚上线都要经历这个阶段，关键是后面调阈值。
误判还是漏判：阈值调不好等于白装
这是整套系统里最实在的一课，也是我想跟同行讲透的：误判和漏判，你只能二选一，没有两全。
误判，就是把好箱子判成坏的。代价是复检人力：待检区越堆越多，验货员加班开箱，一个个确认"这箱没事"，士气掉得飞快。漏判，就是把坏箱子放过去了。代价是扯皮没证据：烂箱进了库存，发货时客户收到破的，索赔又回到三个星期扯皮的老路。
我们现在的调法是分季节。旺季，阈值调严，宁可多检：因为旺季货量大，一个漏判混进 2 万单里，客服那边炸得更惨，复检多花的人力反而划算。淡季，阈值调松，让验货员歇口气，漏判的几箱货，量小，处理得过来。说白了，阈值不是技术参数，是管理决策：你愿意为"不错过一个坏箱"付多少复检人力。
还有一个反常识的判断，卖 AI 的不会跟你讲：这套系统最大的价值，根本不是替代验货员，而是给扯皮留证据。我们仓到现在，两个专职验货员一个没裁。为什么？因为"需开箱验"那一档，永远需要人去做最终判断。AI 干的是两件事：一是 24 小时不眨眼，把每个箱子进仓那一秒的样子存下来；二是把明显没问题的箱子快速放行，让验货员只看真正可疑的那一小撮。人还是那些人，但吵架的时候，我们有照片了。
今年 6 月就有一单现成的：一个供应商发来的五金件，三托外箱角全瘪了。司机在收货单上签字前，我们直接把系统抓拍的三张照片发过去，时间戳精确到秒，供应商那边看了五分钟，回了句"我们认，走索赔"。从发现到认账，不到半小时。以前这种单子，没两周下不来。
算一笔实在账
好，讲钱。很多同行问我：这套东西到底贵不贵？我不报具体数字，因为每家供应商报价差得远，摄像头品牌、要不要配光源、软件按年收还是买断，变量太多，报个数字出来就是误导。但这笔账的算法我可以给你：
我们仓当时是这么算的：原来收货口常年配两个专职验货员，倒班 cover 早晚班。这两个人的全年人力成本，够装好几套这样的相机系统还有富余——相机是一次性投入加每年一点维护费，人是年年要发的，而且人会请假、会离职、夜班眼睛会花，相机不会。
但账不能只算人力这一面。另一面是"扯皮成本"：以前一年下来，因为拿不出到货证据，仓库自己认的货损索赔，加起来不是小数目。装了系统之后，这类"说不清"的单子基本清零了。两边一加，我们仓那套账，一年多就把设备钱盖住了。
说句实在话，这账对大仓好算，对小仓要掂量。如果你一天就收几十票货，验货员站在传送带边上看得过来，那真没必要上。我给的分界线很粗：一天收货超过 500 箱，或者你一年为"说不清"的破损认过让你肉疼的钱，再考虑这事。不到这个量，手机拍照存档+收货单备注，土办法一样管用。
落地三步，我们仓就是这么走过来的
第一步，先只拍不判。相机装上，前一个月，模型判定结果只存档，不做任何分流动作。验货员该怎么验还怎么验，我们拿系统判的结果跟人工判的结果做比对，攒样本，也让大家先习惯"头顶有台相机"这件事。这一步最关键：别一上来就让机器指挥人，现场会炸。
第二步，开判定，但人工兜底。模型开始分三档，异常箱全部分流到待检区，验货员逐箱复检。这个阶段天天调阈值，我们调了快三周，才找到旺季和淡季各自合适的点。记住，阈值没有标准答案，只有你们仓自己的答案。
第三步，结果进流程。判定为"拒收"的，照片自动附到收货记录里，WMS 里这票货直接标异常，邮件自动发给供应商和承运商。到这一步，系统才算真正落地：证据链是自动的，不需要任何人"记得拍照"。
给同行的三句提醒
第一，光源比相机重要。我们一开始图省事没配专用光源，夜班灯光一暗，误判率直接翻倍。后来加了条形光源，问题解决大半。卖设备的跟你谈像素的时候，你先问他光源方案。
第二，别想着一步到位替代人。我们仓到现在还是两个验货员，一个没少。AI 是把他们的眼睛从"每个箱子都看"变成"只看可疑的"，效率上去了，但最终拍板还得是人。凡是跟你说"装上就能裁掉验货员"的，直接送客。
第三，数据是自己的。从第一天起，抓拍的照片和判定记录就存在我们自己的服务器上。换供应商、换系统，数据带走。这东西用得越久越准，因为模型吃的是你们仓自己的箱子、自己的灯光、自己的破损长相——这是花钱也买不来的资产。
收货口这地方，吵架吵了这么多年，靠的从来不是谁嗓门大，是谁手里有证据。一台相机，拍下的不只是箱子，是以后每一次扯皮里，你说话的底气。
作者：陈峰｜仓库运营经理
