盈泰德视觉 AI SOP 系统
盈泰德视觉 AI SOP 系统由四层构成：工位感知层（工业相机与光源）、边缘识别层（动作与状态判定）、逻辑比对层（与标准工序序列校验）、业务输出层（报警与追溯数据）。四层解耦，可以整线部署，也可以从单工位试点逐步扩展。
核心要点
- 支持整线部署与单工位试点两种模式，试点通常两周内可完成验证。
- 工序序列、判定规则与置信阈值全部在后台配置，换型不需要重新开发。
- 提供数据库直写、HTTP 接口、消息队列三种对接方式，可与 MES / QMS 打通。
- 工位端与看板端双通道报警，避免报警被忽略。
- 所有内容与记录均可结构化的导出，便于过程审核与追溯分析。
视觉 AI SOP 系统要解决的是一个具体问题：产线工位上「人有没有按标准作业程序做事」，过去没有传感器能回答。 结果质量有 AOI 和检测设备把关，设备状态有 SCADA 采集，唯独过程合规性只能靠人管人。
四层架构
系统分层与各层职责
- 工位感知层
按工位形态配置工业相机（面阵、全局快门、可选 3D）、镜头与光源。目标是让操作动作与装配对象在视野内稳定成像，且不干扰操作。
- 边缘识别层
边缘计算盒子本地运行识别模型，输出动作是否发生、部件是否存在、位置是否正确等结构化结果。本地推理保证低延迟且不依赖外网。
- 逻辑比对层
把识别结果映射到当前产品的标准工序序列上，判断是否漏工序、错序、重复。规则与阈值按工位和型号配置。
- 业务输出层
异常在工位端与看板端报警；正常记录连同产品序列号、时间戳、工位编号写入数据库并推送到 MES / QMS。
核心能力对照
| 能力 | 说明 | 解决的问题 |
|---|---|---|
| 动作识别 | 识别取料、装配、锁附、检测、记录等作业动作是否发生 | 作业动作缺失、流程未走完 |
| 存在性判定 | 判断指定部件是否已装配到位 | 漏装螺丝、垫片、卡扣、密封圈 |
| 顺序校验 | 比对实际操作顺序与标准工序序列 | 跳步骤、工序颠倒 |
| 合规判定 | 判断穿戴、清洁、防静电等规范是否满足 | 作业规范不达标 |
| 工序追溯 | 按产品序列号归档每道工序的执行记录 | 质量问题难以定位到工序 |
| 过程统计 | 输出工位节拍、工序耗时、异常分布 | 改善缺乏数据支撑 |
部署与运维
- 部署周期：单工位试点通常 1 至 2 周，包含现场勘查、成像验证、模型适配、联调与验收。
- 不停线安装：利用换型间隙、计划停机或夜班完成设备安装与标定。
- 本地化推理：识别在边缘端完成，不依赖云端，网络中断不影响产线判断。
- 远程运维：支持远程查看运行状态、模型版本与异常日志，减少现场出勤。
- 规则自助调整：工序序列与阈值由客户工艺人员在后台维护，无需厂商介入。
系统解决什么、不解决什么
把能力边界说清楚比多列几条功能更有用。这套系统解决的是过程合规的可观测性——人有没有按 SOP 做事，过去没有任何传感器能回答。它不解决尺寸精度、不解决材料缺陷、不解决电气性能，这些分别属于量测、AOI 和测试设备的职责。混用的结果往往是方案越做越大、效果越来越虚。选型时先确认「你要抓的是工序漏做，还是别的」，这一条比任何参数都重要，完整的判断依据可参考选型清单。
能力边界一览
| 维度 | 在能力范围内 | 超出能力范围 |
|---|---|---|
| 工序 | 漏工序、跳工序、顺序颠倒 | 工艺参数本身的合理性 |
| 装配 | 部件有无、数量、方向 | 尺寸公差与配合精度 |
| 动作 | 关键动作是否发生 | 动作姿势是否标准美观 |
| 合规 | 穿戴、清洁、防静电是否满足 | 无法量化的主观规范 |
| 追溯 | 工序级执行记录归档 | 替代 MES 的业务管理功能 |
需要客户配合的前置条件
评估与试点的流程
从评估到验收
和纯软件追溯方案的差别
有一种常见的替代思路：不做视觉，只靠扫码和手工确认来记录工序。它的成本更低，但记录的是「操作人员声称自己做了」，而不是「客观上确实做了」。视觉方案多花的钱，买到的正是这份客观性——漏做会被系统当场发现，而不是等出了问题再回头怀疑记录的真实性。追求记录真实性的场景，这一步投入绕不开；如果管理上只想要一个「有记录」的形式，那确实不必上视觉。
关于系统的常见问题
系统需要我们提供什么资料才能评估？
通常需要工位布局或现场照片、产品装配的 SOP 文档、当前最常出问题的工序清单，以及产线节拍。有这些就可以做初步可行性判断。
识别模型需要大量标注数据吗？
动作与存在性类判定对数据量的要求不高，通常现场采集少量正负样本即可完成适配。复杂场景我们会安排在试点阶段采集补充。
系统会记录员工个人信息吗？
默认只记录工位与工序数据。是否关联操作人员由客户决定，可在配置中关闭。涉及人员影像的保存期限与权限可在方案阶段约定。
其他产品与能力
-
视觉 SOP 对接 MES 生产追溯方案
视觉 SOP 单机运行只能解决现场拦截，真正的价值在于把工序执行数据沉淀成可追溯的生产档案。这个页面说明工序数据如何与产品序列号关联、通过哪…
了解详情 → -
视觉 SOP 智能防呆与工序防错
防呆（Poka-yoke）的核心是让错误「不可能发生」或「立刻被发现」。视觉方案能做的是后者：在工序发生的那一刻完成判定，把漏工序、跳步、错…
了解详情 → -
AI 视觉监控工位 SOP 执行
工位是 SOP 执行的最小单元。我们把工位摄像头采集的画面转化为结构化的动作序列，逐项核对标准工序是否完成，并对穿戴、清洁、防静电等作业规范…
了解详情 →
适用行业方案
-
纺织车间视觉 AI SOP
纺织服装行业工序拆分细、转款频繁，一件衣服往往要经过十几道缝制工序。哪些工序做了、做的顺序对不对，长期依赖工人的自检和组长的抽检。我们在缝纫…
了解详情 → -
食品产线视觉 AI SOP
食品行业的过程管理有两个硬约束：食品安全审核要证据，人员操作要规范。穿戴不合规、配料步骤跳过、包装工位漏放附件，这些都直接关联食品安全风险。…
了解详情 → -
小家电装配视觉 AI SOP
小家电的售后故障里，相当一部分不是元器件失效，而是装配环节的漏件与不到位——漏装一个密封圈、管路没插到底、线束没卡进槽。这些在产线上外观正常…
了解详情 → -
3C 电子装配视觉 AI SOP
3C 产品的装配特点是小件多、螺丝多、公差紧、换代快。一台笔记本的装配可能涉及几十颗不同规格的螺丝，锁附顺序和扭矩要求各不相同。我们在锁附、…
了解详情 → -
汽车零部件装配视觉 AI SOP
汽配企业的典型形态是「多品种、小批量、混线快换」。一个班次可能切换十几种料号，工艺卡挂在工位上也很难保证每次都翻对页。我们的方案让系统按当前…
了解详情 → -
汽车总装 AI 视觉 SOP 监控
总装线是整车厂工序最密集、人工介入最多的环节。混线生产、多配置车型带来极高的工序差异，靠人和纸面工艺卡很难保证每台车都走完应有的步骤。我们在…
了解详情 → -
半导体封装视觉 AI SOP
半导体封装工序细、节拍快、单件价值高，一次漏工序或错序往往要到电测甚至客户端才暴露。我们的方案在晶圆工位、固晶、焊线、点胶等关键站点部署机器…
了解详情 →