外部公开案例，非衍谷交付
Bosch · 生成式合成缺陷数据与定子焊点视觉质检
来源披露≠独立审计；编辑分析不等于客户确认。A级仅表示可定位到案例级来源，详细度不是成功评分。请先阅读下方字段分析边界；未公开细节不可当作已实施事实。
字段分析边界
- 业务问题依据
- 企业技术案例披露
- 解决方案
- 企业项目团队披露与中文结构化整理
- 技术工作流
- 企业公开流程与组件披露
- FDE 行动（请结合分析边界）
- 依据公开项目过程归纳
- 结果（来源方披露）
- 企业预期与项目团队披露
业务问题
自动光学质检需要覆盖多种缺陷图像，但Bosch制造质量较高，新产线很难自然积累足够坏件；等待真实缺陷会拖慢模型和产线投产，故意破坏零件又成本高且无法覆盖全部变体。解决方案
Bosch研究团队用旧产品和每种缺陷仅两位数规模的真实图像做Domain Transfer，生成约1.5万张新产品合成缺陷图；2D与3D相机从12个位置拍摄定子焊点，视觉模型在实图与合成图上训练后快速判定并让可修复件自动回流，同时由图像专家持续修正误报规则和重训模型。技术工作流
- 旧产品和少量真实缺陷图
- Domain Transfer生成新产品合成缺陷图
- 真实与合成数据联合训练视觉检测模型
- 12个位置的2D/3D相机采集定子焊点
- 在线判定并让可修复件自动返回生产流程
- 专家复核误报、调整规则并人工重训模型
技术组件
- 生成式视觉模型
- 合成数据
- Domain Transfer
- 2D/3D工业相机
- 自动光学检测
- 返修回流控制
- 专家重训
人工责任与复核
视觉模型完成高速初检与回流控制；图像处理工程师检查误报，例如判断弱焊是否仍可接受，并通过人工重训调整“合格/缺陷”边界。不可返修的缺陷仍按制造质量流程处置。FDE 行动（请结合分析边界）
- 先定义六类焊接缺陷及可返修边界
- 盘点可复用旧产品图像和少量新样本
- 以合成数据补齐长尾缺陷而非等待坏件
- 把检测输出直接接入返修流程
- 由现场专家持续校准误报与合格边界
结果（来源方披露）
Bosch称约1.5万张合成图只需每类两位数真实样本，预计项目周期比传统方法缩短6个月并带来每年六位数欧元生产率收益；检测在一瞬间完成，项目仍处于新产线训练和扩展阶段。核验说明
- 6个月和六位数欧元为Bosch工厂预期，不写成已审计实现收益。
- 公开文章未给训练/测试集拆分、误报率和样本外评测。
未公开 / 仍有缺口
未补充记录可迁移方法
- 高质量制造现场可用合成数据解决坏样本稀缺
- 合成数据必须与真实数据联合验证
- 模型判定需要映射到返修和报废动作
- 现场专家应持续维护视觉质量边界
来源账本
- 标题
- Generative AI in manufacturing
- 发布方
- Bosch
- 来源类型
- 企业技术案例
- 可定位性
- 案例级直接来源
- 结论披露方
- 企业项目团队披露
- 已记录独立核验
- 否
- 源库查阅日期
- 2026-09-19
补充来源
未补充记录证据说明
Bosch官方技术故事披露数据量、成像方式、训练与返修流程及预期周期和收益；收益为工厂预期，未见实际年度财务核验。编辑摘要
Bosch案例把生成式AI用于“造训练数据”而不是直接生成质检结论，并把相机检测、自动返修和专家误报校准连成完整生产闭环。详细度六维评分（各 0–2）
- 业务背景
- 2
- 改造流程
- 2
- 技术工作流
- 2
- 人机与治理
- 2
- 量化结果
- 2
- 来源可定位性
- 2
原始案例 ID
enterprise-bosch-visual-inspection-001技术方案参考
是来源分类
企业原始材料企业 / 组织
Bosch行业
汽车零部件制造一级行业
制造与工业业务场景
生成式合成缺陷数据与定子焊点视觉质检FDE 标记
企业部署案例FDE 关系
生产质量流程改造成熟度说明
工厂试点/跨厂复制成熟度阶段
已上线主来源
https://www.bosch.com/stories/ai-image-recognition-production/ ↗证据等级
A证据等级说明
A级｜企业技术案例直接来源详细度评分（满分 12）
12详细度分组
deep详细度说明
深度案例｜关键链路较完整编辑数据：guminghao-avi contributors，MIT。导入 2026-10-02；源版本 ef550123。版权与许可证 · 原案例库。以上保留来源与证据限定，不构成衍谷效果承诺。