从识别数据到质量记录：视觉 SOP 的数据链路设计

很多项目上线时功能都跑通了，但过了一段时间回头看数据，发现没法用：记录散落在各工位的本地存储里，没有和产品关联，查询一条历史记录要翻好几天。问题不在识别，在数据链路的设计。

四个必须完成的环节

常见误区

追溯最终要回答的三个问题

• 这台产品的每道工序都做了吗？ 需要按产品序列号聚合的完整工序履历。
• 有问题的那一批能圈出来吗？ 需要按时间与批次快速筛选异常记录。
• 这个不良是什么原因造成的？ 需要异常的上下文，包括前后动作序列与相关参数。

数据链路的设计应该从这三个问题倒推，而不是先把能存的都存下来。存了什么、谁能查、保留多久，都应该服务于具体的追溯需求。把这三个问题在方案阶段和品质、客户一起过一遍，字段与保留策略基本就定下来了。

数据量怎么估

数据存下来之后怎么用

存了不用的数据只是负担。真正让数据产生价值的是几个固定的用法：班后复盘时调出当班异常，看是否有重复模式；客户审核时按批次出具工序合规证明；售后出现问题时按序列号回溯这台产品的完整履历；工艺改善时统计哪道工序的异常率最高，据此排改善优先级。这几件事都应该在系统里有对应的查询入口，而不是临时去导数据。

• 当班复盘。 按班次列出全部异常，识别重复出现的模式。
• 批次合规证明。 按批次导出台账，作为过程受控的证据。
• 单台回溯。 按产品序列号调出完整工序履历与相关影像。
• 改善排序。 按工序统计异常率，确定改善优先顺序。

数据怎么和 MES 打通

视觉 SOP 的工序数据最终往往需要进入 MES 或质量系统，才能和现有的工单、批次、质检信息连起来。对接不必一步到位，多数项目是先把结构化记录写进去，影像留在本地，等数据链路稳定后再考虑更深度的整合。

• 产品序列号是主键。 所有记录都围绕它关联，这是能否追溯的前提。
• 先通结构化数据。 影像体积大，通常不进 MES，只保留异常片段。
• 对接不改表结构。 新增独立表或写入既有接口，降低 IT 侧的评估与维护负担。
• 断网要能补传。 本地缓存后自动补发，避免网络波动造成记录缺失。

数据链路的终点是「答得上」

数据链路做得好不好，用一个标准就能检验：客户或审核方抛出任何一个关于这批产品的问题，能不能在几分钟内给出带依据的回答。能做到，链路就是通的；做不到，存了多少数据、用了多贵的技术，意义都很有限。数据上云与追溯的更多做法见车间视频上云与汽车零部件装配视觉 AI SOP。