AI 视觉监控工位 SOP 执行

工位监控的技术难点不在「能不能识别动作」，而在如何把识别结果变成工艺人员认可的工序判断。工人做同一个动作的姿态差异很大，同一道工序在不同产品上的表现形式也不同。系统需要把这种「多态」归一成「工序已完成」这一个结论。

识别能力的三个层次

降低误报的工程做法

• 连续帧确认：单一帧的识别结果不作为报警依据，需连续多帧一致才触发，过滤瞬时遮挡与误判。
• 工位独立阈值：每个工位的置信阈值单独标定，不用全站统一参数。
• 非标动作白名单：对已知的合理变体动作登记放行，避免反复报警。
• 时段策略：换型、清线、设备调试等时段可临时降级或暂停判定。
• 报警分级：区分「提示」与「拦截」，只有高风险工序才阻断流线。

动作识别解决不了什么

把「识别动作」讲得过分强大是不负责任的。第一，动作识别判的是「发生了没有」，不是「做得好不好」——操作人员姿势是否省力、动作是否流畅，不在判定范围内，也不该由它来评判。第二，它不能读取参数值，比如电批的实际扭矩、点胶的实际胶量，这些是设备侧的数据。第三，它对「手在画面外」无能为力，视野覆盖不到的区域等于不存在。承认这三点，方案设计时就会主动去补传感器和设备信号，而不是让相机独扛，分工思路可参考传感器与视觉的分工。

什么场景适合、什么场景不适合

和传感器方案的分工

单工位部署步骤

动作粒度怎么选

并不是粒度越细越好。判到「动作级」意味着任何一个变体都可能触发报警，维护成本随之上升；判到「工序级」虽然粗，但稳定、误报低，对多数工位反而够用。建议从工序级起步：先把「有没有做这道工序」跑稳，等现场接受了系统、数据也有了一定积累，再针对个别高风险工序下沉到动作级或状态级。这个由粗到细的过程，比一上来就追求精细判定更容易成功。

工位职责边界怎么划

工位监控容易越界：一开始只想确认「螺丝有没有锁」，慢慢被要求判断「锁得好不好」；一开始只看动作，后来又被要求评价效率。边界一旦模糊，系统就会背上它不该背的责任。比较清晰的做法是：判定项只写「客观可观测的动作与状态」，凡是需要主观判断的内容都不纳入；效率类指标单独作为统计输出，不参与报警。这样既保留了监控的客观性，也避免了因主观判定引发的争议。