天眼平臺：實現裝配工序漏步精準檢測

工業製造中，裝配工序的精準執行是確保產品質量的關鍵環節。然而，傳統的檢測方式在應對裝配工序漏步問題時面臨諸多挑戰。微鏈道愛天眼 SkyVision 平臺憑藉先進的技術，為這一難題提供了有效的解決途徑。

在當今競爭激烈的工業製造領域，產品的質量和生產效率是企業立足市場的關鍵因素。其中，裝配工序作為工業生產的重要環節，其準確性直接關係到產品的效能和可靠性。某頭部工業製造廠商的產品裝配產線，主要負責複雜機械裝置的裝配工序。這些機械裝置由多個零部件組成，每個裝配步驟都需要嚴格按照標準操作流程（SOP）執行。一旦出現漏步情況，可能導致產品效能下降，甚至無法正常使用。因此，確保裝配工序的精準執行對於保障產品質量至關重要。

痛點：為什麼難

傳統的裝配工序檢測主要依賴人工巡檢，但這種方式存在較大侷限性。從漏檢率來看，人工檢測的漏檢率高達 12%，難以保證 100%全檢。這是因為在複雜的裝配過程中，一些細微的漏步情況容易被忽略。例如，某些小型零部件的漏裝，或者裝配順序的微小錯誤，人工很難在短時間內準確識別。而且人工檢測受到檢測人員的經驗、注意力等因素的影響，不同的檢測人員可能會得出不同的檢測結果，導致漏檢情況時有發生。

在誤報率方面，人工檢測的誤報率約為 15%，這增加了不必要的複檢工作量。由於人工判斷的主觀性較強，一些正常的裝配情況可能會被誤判為漏步，從而導致產品需要進行額外的檢查和驗證，浪費了大量的時間和人力成本。此外，人力成本高也是傳統檢測方式的一大痛點。隨著勞動力成本的不斷上升，企業需要支付高額的工資來僱傭檢測人員。而且在產線換型時，需要重新培訓檢測人員，換型時間長達 30min，嚴重影響了生產效率。這是因為不同的產品裝配工序可能存在差異，檢測人員需要重新學習和掌握新的檢測標準和方法，這一過程不僅耗時耗力，還容易出現人為錯誤。

隨著智慧安防、影片監控、行為識別等技術的發展，傳統人工檢測方式已無法滿足行業對生產過程精準監控和合規性的要求。在現代工業生產中，對產品質量的要求越來越高，需要對裝配工序進行實時、精準的檢測。而傳統人工檢測方式無法實現這一點，無法及時發現和糾正裝配過程中的漏步問題，從而影響產品的質量和生產效率。

技術原理

微鏈道愛天眼 SkyVision 0 程式碼影片監控 AI 平臺採用了先進的計算機視覺演算法和深度學習技術。其基於 DaoAI World 世界模型的語義理解能力，能夠對裝配場景中的各種元素進行精準識別和分析。該平臺透過現場部署的監控攝像頭獲取實時影片畫面，利用卷積神經網路（CNN）對畫面中的裝配動作和零部件狀態進行特徵提取和分類。

具體來說，模型能夠學習每個裝配步驟的標準特徵。當出現與標準不符的情況時，如某個零部件未安裝或裝配順序錯誤，平臺可以快速識別並判斷為漏步事件。與傳統方法相比，這種方式具有更高的準確性和效率。傳統的人工檢測主要依賴於人的視覺和經驗，容易受到主觀因素的影響，而天眼平臺透過計算機演算法和深度學習技術，能夠客觀、準確地對裝配過程進行檢測，大大提高了檢測的精度。此外，平臺的邊緣盒子具備實時計算能力，能夠在本地對影片資料進行處理和分析，實現 100%本地化資料不出場，保證資料安全的同時提高檢測效率。利用 0 程式碼程式設計技術，現場人員可以在小時級內完成自有模型的訓練，無需專業的程式設計知識，大大縮短了模型部署時間。

典型應用場景

• 零部件漏裝檢測：在機械裝置裝配過程中，某些小型零部件的漏裝可能會影響產品的正常使用。天眼平臺透過對監控畫面中零部件的識別和分析，能夠準確判斷是否存在零部件漏裝的情況。難點在於小型零部件可能在畫面中所佔比例較小，需要平臺具備較高的影象識別精度。
• 裝配順序錯誤檢測：每個裝配步驟都有其特定的順序，一旦順序錯誤，可能導致產品無法正常組裝。平臺透過學習標準的裝配順序，對實時畫面中的裝配動作進行分析，能夠及時發現裝配順序錯誤的情況。難點在於要準確區分不同裝配動作的先後順序，需要對裝配過程有深入的理解和分析。
• 螺栓擰緊度檢測：在裝配過程中，螺栓的擰緊度直接關係到產品的穩定性和安全性。天眼平臺可以透過對螺栓的影象特徵進行分析，判斷螺栓是否擰緊。難點在於螺栓的擰緊度在影象上的表現可能不明顯，需要平臺具備較強的特徵提取和分析能力。
• 墊片安裝檢測：墊片的安裝是否正確會影響產品的密封效能。平臺透過對墊片的形狀、位置等特徵進行識別，能夠檢測墊片是否正確安裝。難點在於墊片的形狀和顏色可能與周圍環境相似，需要平臺具備良好的影象分割和識別能力。

落地案例

某大型工業製造企業擁有多條產品裝配產線，生產規模較大。該企業在採用微鏈道愛天眼 SkyVision 平臺之前，一直使用傳統的人工檢測方式，面臨著漏檢率高、誤報率高、換型時間長等問題。在上線過程中，微鏈道愛技術團隊首先在產線關鍵位置部署了高畫質監控攝像頭，確保能夠全面捕捉裝配過程的每個細節。然後，現場工程師根據實際的 SOP 流程，利用天眼平臺的 0 程式碼功能，在小時級內完成了自有檢測模型的訓練。

天眼 SkyVision 平臺的應用，為企業帶來了顯著的效益提升，實現了裝配工序漏步的精準檢測。

上線前，該企業的裝配工序漏檢率高達 12%，誤報率約為 15%，產線換型時間長達 30min。上線後，裝配工序漏步的檢出率達到 98.5%，漏檢率降低至 <1.5%，大大提高了產品質量的穩定性。同時，誤報率降低了 -75%，減少了不必要的複檢工作量。在產線換型方面，換型時間從原來的 30min 縮短至 5min，顯著提升了生產效率。

微鏈道愛解決方案與產品

以天眼 SkyVision 0 程式碼影片監控 AI 平臺為核心，微鏈道愛提供了一套完整的裝配工序漏步檢測解決方案。首先，在產線關鍵位置部署高畫質監控攝像頭，確保能夠全面捕捉裝配過程的每個細節。然後，使用天眼平臺的 0 程式碼功能，現場工程師根據實際的 SOP 流程，在小時級內完成自有檢測模型的訓練。平臺的行為/事件識別功能可以實時監測裝配過程中的每個動作，一旦檢測到漏步情況，邊緣盒子立即發出實時告警。

同時，結合 DaoAI World 世界模型的語義理解能力，平臺能夠對不同的裝配場景和產品型別進行跨場景泛化，提高檢測的準確性和通用性。此外，微鏈道愛的 DaoAI AI AOI 軟體系統和 DaoAI 2D / 3D AI AOI 裝置可以作為輔助，進一步提升對零部件的檢測精度。

量化成效

使用天眼 SkyVision 平臺後，裝配工序漏步的檢出率達到 98.5%，漏檢率降低至 <1.5%，大大提高了產品質量的穩定性。同時，誤報率降低了 -75%，減少了不必要的複檢工作量。在產線換型方面，換型時間從原來的 30min 縮短至 5min，顯著提升了生產效率。

本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。