使用计算机视觉进行装配验证与防错

计算机视觉可以通过检查正确的可见组件是否存在、位置和方向是否正确，以及是否按预期顺序安装，在装配过程中防止错误。模型提供视觉观测结果；状态机或制造应用则应用特定于产品的规则，并向操作员或控制系统发送通过、复核或停止的决定。

这与一般的缺陷检测不同。缺陷检测关注表面或零件是否受损。装配验证关注观察到的装配状态是否符合作业指导书或工艺流程清单。

视觉技术可在装配线上验证什么#

首先要区分可观察到的证据与推断出的工艺事实。摄像头可以验证螺栓头是否存在，但无法验证螺栓是否达到规定扭矩。如果要求无法通过视觉观察，请结合工具控制器或传感器数据。

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操作用于确定验证时机。
2. 采集： 一个或多个摄像头采集受控图像或短序列。
3. 推理： 计算机视觉模型检测零件、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产品变体和工艺步骤进行比较。
5. 操作： 系统显示指导信息、请求复核、记录通过结果，或通过经批准的控制路径阻止流程继续。
6. 可追溯性： 应用记录工单、模型和规则版本、结果，以及保留政策允许留存的证据。

将推理与决策逻辑分开。同一个模型可以识别不同产品中的某个组件，而规则则规定特定工单需要哪些组件。

选择合适的视觉任务#

当整个视野受到严格控制，且输出只有少数几种状态（例如已装配、未完成或方向错误）时，使用分类。分类效率可能很高，但在排查问题时提供的定位信息有限。

当应用需要定位并统计多个可见组件时，使用目标检测。Ultralytics YOLO 模型可以在一张图像中检测多个零件类别，并返回位置供下游规则使用。

当组件边界、重叠或覆盖范围很重要时，使用实例分割。掩码可用于检查密封件、粘合区域或柔性组件是否占据预期区域。

当关键点或旋转角度是重要信号时，使用姿态估计或旋转边界框。请验证所选表示方式在确切的几何形状和视角下是否稳定。

当顺序或连续性很重要时，使用跟踪。跟踪器可以关联不同帧中的观测结果，而状态机则用于判断各步骤是否按批准的顺序发生。

训练前先设计成像工位#

如果摄像头从未采集到相关证据，再好的模型也无济于事。针对每项检查，记录必须分辨的最小特征、允许的零件移动范围、周期时间、工作距离、景深变化、反光、遮挡和振动。

在可行的情况下控制照明。漫射光可以减少反光表面的眩光；背光可以让轮廓和间隙更清晰；频闪照明可以减少运动模糊。合适的设计取决于材料和几何形状，因此要使用真实零件和污染条件进行测试。

如果单个摄像头无法观察所有必需特征，就使用多个视角。不要不加判断地增加摄像头：每个视角都会增加校准、同步、计算、维护和数据管理工作。每个摄像头都应解决一个有记录的证据缺口。

验证后锁定或监控摄像头设置。即使端点仍然正常，焦点、曝光、裁剪或安装位置发生变化，也可能使数据分布失效。

构建装配数据集#

采集所有相关的产品变体、工位、班次、背景、工装状态和正常操作员交互数据。既要包含困难但有效的状态，也要包含错误。如果所有“正常”图像都来自某一天，而所有“异常”图像都来自另一天，模型可能学到的是照明或夹具差异，而不是装配状态。

为部分可见零件、模糊状态、反光、重复组件和未完工状态制定标注规则。按生产批次、时间、工位或厂区划分验证数据，而不是随机拆分几乎相同的视频帧。

Ultralytics Platform 支持在连贯的工作流中进行数据集整理、标注、模型训练和模型管理。数据采集与标注指南可以帮助团队规范采集和标注决策。

添加工艺逻辑和集成#

应用需要获取当前产品单元的预期装配配置。请从工单、配方或制造系统等经批准的来源检索配置，然后将其映射到版本化的视觉规则。

规则可能要求：

• 一个外壳位于夹具区域内。
• 两个卡扣位于批准的位置。
• 连接器关键点与目标位置之间的偏差在容差范围内。
• 状态 A 必须先于状态 B，且中间不得出现未批准的状态。
• 任何必需观测结果低于决策阈值时，都需人工复核。

在视觉系统与控制系统之间使用稳定的事件契约。契约应包含结果、原因、时间戳、工位、模型版本、规则版本和相关观测结果。未经验证的应用层和适当保护措施，不要将原始模型输出直接发送至安全关键型逻辑或运动控制逻辑。

操作员体验也是准确性的一部分#

仅显示红灯或绿灯通常不足以提供所需信息。产品单元未通过检查时，应显示未满足的要求，以及预期组件的位置。提供受控的重新扫描或复核路径，避免反光、手部遮挡或临时遮挡造成不必要的返工。

将操作员的修正作为结构化反馈收集。区分模型错误、规则错误、工单映射错误、摄像头问题和真实装配问题。明确错误类型后，团队才能知道该修复什么。

验证整个工位#

按装配要求和产品变体进行衡量。有用的运营指标包括漏检装配错误、误停率、复核率、对周期时间的影响、不可用的检查，以及摄像头或网络中断后的成功恢复情况。

使用以下情况对工位进行测试：

• 已批准和未批准的产品变体。
• 未完成的装配和顺序错误的步骤。
• 手部和工具造成的遮挡。
• 照明漂移、零件反光、模糊和污染。
• 摄像头移动和焦点变化。
• 重复、缺失、旋转或放错位置的组件。
• 触发丢失、触发重复和结果延迟。

发布前，在固定的回归测试集上运行现有模型和候选模型。若风险较高，可先以影子模式运行新的决策逻辑，不控制生产流程，直到结果经过复核。

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、姿态和跟踪来表示可见的装配状态。Ultralytics Platform 将标注、训练和部署整合在一起，而导出的 Ultralytics YOLO 模型可在云端、本地或边缘架构中运行，具体选择取决于工位需求。

Chef Robotics 为Ultralytics YOLO 助力精准食品装配提供了一个实际案例。可借鉴之处并非所有装配线都面临相同的成像问题，而是经过训练的感知模型可以成为更大型机器人或生产工作流中的一个组件。

Ultralytics 不提供的内容。 这是一层感知能力，而不是一套检测工位。摄像头、镜头、照明、外壳、触发器、边缘计算机、PLC 连接、操作员 HMI 和工位验证仍由你或集成商负责，而且这些才是工作量较大的部分。如果工厂需要由现场工程师提供支持的交钥匙工位，成熟的机器视觉供应商（例如 Cognex 或 Keyence）是更可靠的选择；Ultralytics Platform 于 2026 年 3 月推出，而这些供应商已有数十年的部署经验。

部署检查清单#

• 将每项检查定义为可见证据和操作措施。
• 记录需要通过其他传感器或系统验证的非视觉要求。
• 使用真实零件验证摄像头、镜头、照明、触发器和安装方式。
• 将产品规则与模型分开进行版本管理。
• 测试每种产品变体和每种进行中状态。
• 提供复核、重新扫描、绕过和事件处理流程。
• 监控输入质量、服务健康状况、经复核的模型错误以及生产结果。
• 摄像头、照明、夹具、产品或流程发生变化后，重新验证。