外观
微信扫码加入WorkBuddy交流群
液晶屏按需换膜维修降本
用视觉监测约束人工换膜的关键工序，识别错放漏放即时提醒现场，使整屏返修转为只换损坏膜层。
能力亮点： 视觉工序监测
行业： 客服与服务 适合参考的团队： 半导体显示制造企业、维修车间与质量管理团队
某液晶屏头部制造企业的维修车间里，躺着一笔长期存在的账：液晶屏内部有三层膜，故障可能只坏一层，也可能坏两层，过去无法精准判断是哪一层——只能整屏返修，单屏成本约80到90元，而每天要修的屏幕有300到400块。
原来的业务问题
整屏返修是拿成本换安全感：显示屏是精密产品，维修中一旦出现操作遗漏或更换错误，就会影响最终显示效果；三层全换能规避漏换、错换的质量风险，代价是材料和流程成本极高。返修量越大，材料浪费越大，占用的自动化产线资源也越多。
把维修交给人工工位、只换坏的那一层？企业想过，一直没敢。一旦离开自动化产线，质量只能靠工人自觉和组长巡视，从扫码到检测中间任何一步漏掉，产品就可能带着问题流下去，出了问题也说不清是哪一步。没有过程数据，企业既判断不了哪些步骤可以优化，也永远迈不过“按层更换”这道门槛。
项目怎样推进
实施团队有工业视觉的底子，却不熟悉液晶屏维修工艺，第一课是客户带着上的：一步步看扫码、拆解、检查、换膜、检测，挑出必须监测的关键工序，再按产品型号把工序要求转换成算法能够判断的规则——系统要判断画面里有没有屏幕和膜层，也要判断这些动作有没有按顺序完成。
视觉识别与业务动作被接续起来：画面里出现螺丝枪，并不证明打螺丝的动作已经完成；同理，要判断工人有没有拿起膜层，也要看相关操作是否满足工序要求。算法模型负责识别现场对象与动作，业务逻辑负责判定结果是否合规——不理解现场工艺，模型再准也无法解决问题。系统识别到错放、漏放，现场屏幕闪烁、三色灯提醒，异常同步推给产线组长，组长立即到场检查处置：识别出问题只是开始，能触发现场行动才有价值。
第一版跑通后撞上更现实的墙：小批量、多品种之下，今天做A型号、几天后切B型号，而按最初的代码式开发，一个新工序要资深工程师做半个月，数据标注动辄三四千张图片、标注成本一两千元——几十个工位的扩展根本养不起。团队从两头改：数据侧接入大模型能力、优化标注与训练流程，让新场景先用十几张、二十张样本跑起来；业务侧把常见检测能力与工序逻辑封装成组件，用低代码/零代码的SOP编排工具配置，经培训的初级人员也能承担部分原属资深工程师的工作。
方案边界也在碰撞中校准：双方一开始都没想清AI该做到什么程度——有的工序客户以为AI能识别、技术侧看不确定性很大，团队用实际画面和识别效果把技术边界摆出来，让客户看到哪些动作能稳定判断、哪些存在风险，对方也重新审视了部分监测需求是否必须保留；几十个工位的算力部署，也结合设备投入、架构与维护反复讨论才定。最后一步是培训维修工人——哪些步骤会被监测、出现提醒后该怎么处理——并让客户逐步具备自主调整工序规则的能力。
工具与系统
案例未明确统一产品名称；本文按业务过程介绍，不补写产品品牌。
做成了什么
成本账第一个兑现：整屏返修约80到90元的单屏成本，按需换膜后降至约20到30元，下降50到70元；以每天三四百块的维修量计，累积节省相当可观——管理层不必理解复杂的AI算法，只要确认单屏成本真实下降，就能判断项目值得投入。质量发现的时机也前移了：过去异常往往要等到后续检查才被发现，现在系统持续盯工序，一旦异常立即提醒现场，质量管理从“结果检查”变成了“过程干预”，返工与召回风险随之下降。项目已在客户处完成二十多个工位的交付；下游日本客户考察产线时，看到关键环节引入AI监测，对质量管理能力的信心明显增强。客户自己的团队如今已能用编排工具适配新品——这套能力正随着产线一起扩展。
| 指标 | 项目结果 |
|---|---|
| 单屏维修成本 | 由约80-90元降至约20-30元 |
| 交付规模 | 已交付20余个监测工位 |
披露范围： 按项目披露的试点与实施进展整理。结果由项目方在该项目范围内披露；不代表其他企业采用相同方法即可达到同样效果。
对同类企业的启发
液晶屏膜层故障无法定位具体损坏层，过去只能整屏返修，单屏成本约80到90元且日维修量达数百块；若改为人工只换坏层，质量只能依赖工人自觉与组长巡视，过程缺少监测且不留数据。
部分工序识别存在技术不确定性，须以实际画面确认可行范围；现场人员组织、规则确认与后续使用管理需客户共同承担。
如评估同类项目，可以先核对：
- 异常提醒由组长现场检查确认
- 识别效果用实际画面验证技术边界
- 维修记录可追溯到工位与工序
以上为同类业务的实施建议，需结合实际数据、系统条件和产品授权验证。