证据分散
图像、工单、批次、设备、工艺参数、供应商和人员没有连成一条质量链。
Pitch 52 · Manufacturing Quality Closed Loop
别人帮你看到坏件，我们让坏件不再发生。
QualityLoop 是制造业的 AI 质检闭环系统：把每一次 NG 从“发现缺陷”推进到“定位根因、派发纠正动作、验证不再复发”。
01 · Problem
工厂不只是漏检，而是缺陷无法形成闭环。
缺陷图片、工站数据、MES/QMS、工程复盘和 CAPA 分散在不同系统里。视觉系统发现 NG 只是第一步；真正的财务损失来自返工、报废、保修、投诉、退货、召回和同类问题反复发生。
RCA 慢
工程师用 Excel、截图、微信群和会议追根因，问题跨班次跨产线反复出现。
CAPA 虚
纠正动作派发后缺少复检证据，不知道 FPY、PPM 和复发率是否真的改善。
模型乱
阈值、模型版本、缺陷 taxonomy 和 station recipe 缺乏可审计治理。
02 · Why Now
质量成本、智能制造预算和边缘 AI 能力同时成熟。
制造业已经不满足于“多装一个相机”。买家开始关心 warranty、recall、audit、MES/QMS writeback、模型治理和跨线复用。
$58B
McKinsey 估算 2024 年全球汽车保修相关成本约 580 亿美元。
997
NHTSA 2025 年全年召回事件数，受影响规模 3127 万。
28%
Deloitte 调查中制造商未来两年把 vision systems 列为投资重点。
542k
IFR 统计 2024 年全球工厂新装工业机器人约 54.2 万台。
03 · Insight
检测框不是产品，闭环才是产品。
真正有防御性的质量数据不是更多缺陷图片，而是“缺陷图片 + 工站/批次/设备/人员/物料 + 根因判断 + 纠正动作 + 复发结果”。
检测之后
bbox 和分类只是入口；质量团队要的是 disposition、RCA、CAPA 和审计。
跨系统
相机、AOI、测试、MES、QMS、SPC、PLC 和人工覆判必须说同一种缺陷语言。
可复用
每次覆判、复检和复发结果都变成模型、recipe 和质量流程的下一轮资产。
04 · Solution
QualityLoop 是检测之后的质量操作系统。
边缘视觉检测站捕获 NG，Issue Graph 聚合同类缺陷，RCA Copilot 提出候选根因，CAPA workflow 派发纠正动作，复检模块验证改善是否真实发生。
- EdgeVision：本地检测、热力图、缺陷码、置信度和 station recipe。
- Issue Graph：批次、工站、设备、供应商、历史缺陷和复发聚合。
- RCA/CAPA：5 Why、鱼骨图、责任人、纠正动作、复检证据。
- Learning Loop：人工覆判、低置信度和复检失败进入主动学习和 LeRobot HIL。
05 · Market Wedge
先打高混低量、返工昂贵、图片证据强的产线。
不要从“所有制造业”开始。先用一个缺陷族、一条线、一个工厂证明：RCA 变快、CAPA 关闭变实、复发率下降、审计时间缩短。
3C / EMS
连接器、摄像头模组、FPC/PCB/SMT、显示外观，缺陷图片和批次数据丰富。
EV Battery
极片、电芯、焊接、模组/PACK，质量追溯和供应商反馈压力强。
Automotive Tier 1
焊接、压铸、涂装、EOL、扭矩/装配验证，保修和召回成本可量化。
NPI / 试产
新缺陷多、工程复盘密集、模型漂移快，最需要跨线学习模板。
06 · Business Model
按“闭环的质量问题族”和检测站收费。
QualityLoop 不卖泛化模型调用，而卖能进入质量例会、CAPA 审核和 MES/QMS 的闭环结果。
付费试点
6-8 周，单线单缺陷族，15k-50k 美元。
检测站订阅
每站 1k-3k 美元/月 + 实施费，按 station recipe 和接口扩展。
工厂版
100k-300k 美元/厂/年，含 MES/QMS 集成、审计包和模型治理。
成功费
对 scrap、rework、warranty 节省可选按验证金额分成。
07 · Go-To-Market
从一个高频缺陷族切入，卖给已经为质量损失买单的人。
第一步不是“全厂 AI 化”，而是在一条线证明 NG 到 RCA/CAPA/复检闭环能缩短质量会议和问题关闭周期。
第一买方
质量总监、制造工程负责人、厂长、数字化工厂负责人。
第一试点
6-8 周，一条线、一个高频缺陷族、一个 MES/QMS 回写接口。
扩张路径
缺陷族 -> 检测站 -> 产线 -> 工厂模板 -> 集团供应商质量网络。
渠道伙伴
MES/QMS 实施商、机器视觉集成商、自动化集成商、Qualcomm 生态硬件伙伴。
08 · Competition
检测层很拥挤，闭环层才是机会。
QualityLoop 不替换视觉硬件或 QMS/MES，而是把它们连接起来：多厂商检测结果、质量记录、人工覆判、CAPA、复检和模型治理。
Cognex / Keyence
视觉硬件和检测强，缺少跨厂商 RCA/CAPA 操作层。
Hikrobot / OPT
国内机器视觉和 AOI 强，QualityLoop 做证据湖和闭环协同。
Landing / Robovision
模型训练强，但工厂流程、MES/QMS 和复检闭环仍需要落地。
Instrumental
NPI 和电子质量洞察强；QualityLoop 可扩到电池、Tier 1 和供应商质量。
Siemens / Zebra
工业平台强，但异构工厂需要轻量 vendor-neutral overlay。
QMS / MES
记录和流程强，但缺少图像、模型、工站上下文和主动学习。
09 · Moat
壁垒不在单张图片，而在闭环质量记忆。
每一次检测、覆判、根因、纠正动作和复检结果都会让 QualityLoop 更懂这条产线和这个客户的质量语言。
缺陷本体
跨产品、工站、供应商和客户统一缺陷 taxonomy。
闭环数据
缺陷 -> 根因 -> CAPA -> 复检 -> 复发结果持续积累。
工站上下文
批次、设备、工艺参数、人员、供应商和检验计划一起沉淀。
集成壁垒
MES/QMS/PLC/SPC/OPC UA Vision/SAP/Odoo adapter 带来切换成本。
模型治理
station recipe、阈值、模型版本、灰度、回滚和审计绑定。
工作流嵌入
质量例会、CAPA 审核、供应商反馈和 NPI ramp 模板形成习惯。
10 · Product Architecture
QualityCore、EdgeVision Station、Robot Re-Inspection、Learning Loop。
技术架构服务于一个商业目标：从 NG 证据到 RCA/CAPA，再到复检和模型更新。
QualityCore
DefectObservation、QualityEvent、CAPA、TraceEvent、MES/QMS/SPC adapter。
EdgeVision
Qualcomm IM SDK、QNN、ONNX QNN EP、GenICam、光源 recipe、OPC UA Vision。
Robot Re-Inspection
ROS 2 + MoveIt 2 规划复检视角，安全由机器人控制器和 PLC 负责。
Learning Loop
CVAT/Label Studio 主动学习，AI Hub profile，灰度发布和回滚。
Inspect
相机和光源按 station recipe 捕获图像，本地模型检测缺陷。
Trace
关联 serial、lot、work order、设备、工艺参数和供应商。
Act
生成 nonconformance / CAPA，分配工程、制程或供应商责任。
Verify
返工后复检，跟踪 FPY、PPM、复发率和关闭周期。
Learn
低置信度、人工覆判和复检失败进入下一轮训练。
11 · Competition Demo
现场展示同一张缺陷图，QualityLoop 继续走到闭环。
竞品视角停在 bbox / 分类；QualityLoop 展示相似历史缺陷、可能根因、责任工站、CAPA、复检结果和模型更新队列。
NG
Qualcomm edge 本地识别表面划伤，展示热力图和缺陷码。
RCA
Issue Graph 找到同批次和同设备历史缺陷，生成候选根因。
CAPA
派发 mock 纠正动作，返工后机器人复检并写回 QMS。
HIL
人工覆判样本进入 active learning 和 LeRobot HIL episode。
12 · Why Qualcomm
工厂质量是 Qualcomm edge AI 最应该赢的场景之一。
工厂不想把所有缺陷图、产品图纸和工艺数据上传公有云。Qualcomm edge station 让多相机、低延迟、弱网、本地推理和模型治理在产线现场运行。
Vision
IM SDK / GStreamer 连接相机、ISP、视频和 AI pipeline。
Runtime
QNN、ONNX QNN EP、AI Hub compile/profile 和 edge artifact。
Robotics
ROS 2 / MoveIt 2 控制复检视角，安全由 PLC 和机器人控制器负责。
Privacy
缺陷图、工艺参数和供应商数据默认留在厂内或私有云。
Learning
LeRobot HIL 把复检动作和人工接管变成可迭代技能。
13 · Ask
我们希望把它做成 Qualcomm 工业 edge AI 的参考应用。
比赛阶段需要的不只是开发板，而是一个能证明“质检从检测走向闭环”的端侧样板。
开发板与 profile
多相机质检、QNN/ONNX artifact、延迟、功耗和本地部署证据。
工业 demo 数据
1-2 个缺陷族或试点工位，用于验证 NG -> RCA/CAPA -> 复检闭环。
生态联合展示
把 QualityLoop 展示为 Qualcomm edge AI + LeRobot HIL 的工业产品样板。
QualityLoop 的一句话 pitch：制造工厂用它把每一次 NG 从检测证据变成 RCA、CAPA、复检、MES/QMS 回写和下一轮 edge 模型更新。