通过计算机视觉进行组装验证和防错

计算机视觉可以在工艺继续之前，通过检查正确的可见组件是否存在、是否正确定位、是否正确定向以及是否按预期顺序安装来对装配进行防错。模型提供视觉观测结果；状态机或制造应用程序应用特定产品的规则，并向操作员或控制系统发送通过、复查或停止的决定。

这与一般的缺陷检测不同。缺陷检查询问表面或部件是否受损。装配验证询问观察到的构建状态是否与工作指导书或工艺清单相符。

视觉在装配线上可以验证的内容#

首先将可观测的证据与推断的工艺事实分开。相机可能会验证螺栓头是否存在，但无法验证螺栓是否达到所需的扭矩。当要求无法通过视觉观测时，将视觉与工具控制器或传感器数据配对。

参考架构#

装配验证系统通常包含六个层级：

1. 触发： PLC信号、传感器、机器人状态或操作员动作确定验证时刻。
2. 采集： 一个或多个相机获取受控图像或短序列。
3. 推理： 计算机视觉模型检测部件、区域、关键点或装配状态。
4. 决策逻辑： 产品规则将观测结果与预期的变体和工艺步骤进行比较。
5. 动作： 系统显示指导信息、请求复查、记录通过，或通过批准的控制路径阻止流程进行。
6. 可追溯性： 应用程序记录工单、模型和规则版本、结果以及保留策略允许的证据。

保持推理和决策逻辑分离。同一个模型可能会跨产品识别组件，而规则则指定了特定工单所需的组件。

选择正确的视觉任务#

当整个视野受到严格控制且输出是少量状态（例如已组装、未完成或方向错误）时，使用分类。它效率很高，但在进行故障排除时提供的定位有限。

当应用程序需要定位并计数多个可见组件时，使用**object detection**。Ultralytics YOLO 模型可以在一张图像中检测多个部件类别，并为下游规则返回位置。

当组件边界、重叠或覆盖范围很重要时，使用实例分割。掩码可以支持检查密封件、胶粘区域或柔性组件是否占用了预期的面积。

当关键点或旋转带有重要信号时，使用**pose 估计或定向边界框**。验证所选表示对于确切的几何形状和视点是否稳定。

当顺序或连续性很重要时，使用追踪。追踪器可以关联跨帧的观测结果，而状态机则确定批准的步骤是否按顺序发生。

在训练前设计成像工位#

模型质量无法弥补相机从未捕获到的证据。对于每次检查，请记录必须分辨率的最下限特征、允许的部件运动、节拍时间、工作距离、深度变化、反射、遮挡和振动。

在实际可行的情况下控制光照。漫射光可以减少反射表面上的眩光；背光可以使剪影和间隙更清晰；频闪光可以减少运动模糊。合适的设计取决于材料和几何形状，因此请使用真实的部件和污染条件进行测试。

当单个相机无法观察到每个所需特征时，使用多视角。不要自动添加相机：每个视角都会增加标定、同步、计算、维护和数据管理工作。每个相机都应弥补一个已记录的证据空白。

在验证后锁定或监控相机设置。即使端点保持正常，更改焦距、曝光、裁剪或安装也会使数据分布失效。

构建装配数据集#

捕获所有相关的产品变体、工位、班次、背景、工装状态以及正常的操作员交互。包括困难但有效的状态以及错误。如果每个“好”图像来自一天，而每个“坏”图像来自另一天，模型可能会学习光照或夹具的差异，而不是装配状态。

为部分可见的部件、模棱两可的状态、反射、重复组件和在制品编写标注规则。按生产批次、时间、工位或现场分割验证数据，而不是随机分布几乎相同的视频帧。

Ultralytics Platform 在一个连接的工作流程中支持数据集组织、标注、模型训练和模型管理。其数据收集与标注指南可以帮助团队规范捕获和标注决策。

添加工艺逻辑与集成#

应用程序需要当前单元的预期构建配置。从批准的来源（例如工单、配方或制造系统）中检索它，然后将其映射到版本化的视觉规则。

规则可能需要：

• 夹具区域内的一个外壳。
• 批准位置上的两个夹子。
• 在其目标的公差范围内的连接器关键点。
• 状态A在状态B之前，其间没有未经批准的状态。
• 当任何所需的观测结果低于其决策阈值时进行人工复查。

在视觉和控制之间使用稳定的事件契约。包括结果、原因、时间戳、工位、模型版本、规则版本以及相关的观测结果。避免在没有经过验证的应用层和适当的安全防护措施的情况下，直接将原始模型输出发送给安全关键或运动控制逻辑。

操作员体验是准确性的组成部分#

红灯或绿灯很少能提供足够的信息。当单元失效时，显示哪个要求失败以及预期相关组件的位置。提供受控的重新扫描或复查路径，以免反射、手部或临时遮挡造成不必要的返工。

收集操作员纠错作为结构化反馈。区分模型错误与规则错误、工单映射错误、相机问题或真实的装配问题。这种分类告诉团队需要修复什么。

验证完整的工位#

按装配要求和产品变体进行测量。有用的运营指标包括遗漏的装配错误、误停机、复查率、节拍时间影响、不可用的检查，以及在相机或网络中断后的成功恢复。

用以下各项对工位进行测试：

• 批准的和未批准的变体。
• 部分装配和乱序步骤。
• 手部和工具造成的遮挡。
• 光照漂移、反射部件、模糊和污染。
• 相机移动和对焦更改。
• 重复、缺失、旋转或错位的组件。
• 丢失触发、重复触发和延迟结果。

在发布前，在固定的回归集上运行现有模型和候选模型。在风险允许的情况下，在不控制工艺的情况下对新决策逻辑进行影子测试，直到结果被复查完毕。

用于装配验证的 Ultralytics#

制造业中的计算机视觉可以使用检测、分割、姿态和追踪来表示可见的装配状态。Ultralytics Platform 将标注、训练和部署连接起来，而导出的 Ultralytics YOLO 模型可以在为该工位选择的云、本地或边缘架构中运行。

Chef Robotics 提供了一个Ultralytics YOLO 支持精确食品装配的实际示例。可转移的经验不是每条装配线都有相同的成像问题，而是经过训练的感知模型可以成为更大规模机器人或生产工作流中的一个组件。

Ultralytics 不提供的内容。 这是一个感知层，而不是检查站。相机、镜头、光照、外壳、触发器、边缘计算机、PLC连接、操作员HMI和工位验证仍然属于您或您的集成商，并且它们是工作中的大部分。如果工厂想要一个附带现场工程师的受支持交钥匙工位，像康耐视 (Cognex) 或基恩士 (Keyence) 这样老牌的机器视觉供应商是更稳妥的选择，而 Ultralytics Platform 于 2026 年 3 月发布，面对的是他们数十年的部署历史。

推出检查清单#

• 将每项检查定义为可见证据和运营动作。
• 记录需要另一个传感器或系统的非视觉要求。
• 使用真实部件验证相机、镜头、光照、触发器和安装。
• 将产品规则与模型分开进行版本控制。
• 测试每个产品变体和在制品状态。
• 提供复查、重新扫描、绕过和事件处理程序。
• 监控输入质量、服务健康状况、已复查的模型错误和生产结果。
• 在相机、光照、夹具、产品或工艺更改后重新验证。