汽车零部件产线的视觉 AI SOP 方案

汽配厂最常见的问题不是「不会做」，而是做错了型号还不自知。同一个工位今天装 A 料号、下午切 B 料号，两种料号的螺栓数量、垫片有无、线束走向都不同。一旦换型时没切换到位，就会成批地错装，往往在主机厂来料检验时才被发现，代价极高。

视觉 AI SOP 的做法是让判定标准跟着生产指令走：MES 下发当前料号，系统自动调出该料号的工序序列与装配要求，相机核查实际装配是否与之一致。人在换型，系统的标准也在同步换型。

典型产品与监控要点

线束装配为什么特别适合视觉监控

• 线束装配的异常后果严重：插接不到位会导致接触不良，往往在整车路试或售后才暴露。
• 线色与插件位置属于视觉上高度可判别的特征，机器识别一致性远高于人眼。
• 线束板工位相对固定、成像条件可控，部署成本低于总装车间。
• 判定结果可直接生成线束的装配记录，满足主机厂对关键安全件的可追溯要求。

换型时最容易出错的三个环节

混线换型的风险集中在三个地方。一是工艺卡没换：操作人员沿用上一料号的卡片，凭记忆做完了事。二是首件没确认：换型后第一件产品没有走完完整的确认流程就投入批量。三是料架没换：同一工位上不同料号的零件混在一个料盒里，或者补料时上错了料。视觉方案能覆盖前两个环节（核对实物与当前料号是否一致、首件确认动作是否执行），第三个环节则需要与上料扫码配合。想把换型风险整体压下去，作业顺序的约束不可少，可参考跳工序拦截的做法。

不同品类的判定要素

视觉方案不解决的问题

规则谁来维护、怎么维护

首件确认为什么值得单独监控

换型后的首件确认是一道很容易形式化的工序：签名有、记录有，但确认动作本身可能根本没做。视觉上可以把首件确认拆成几个可判定的动作——取件、比对样板或测量、做出判定手势、放置标识——只要其中任何一步没发生，就能判定这次确认并未真正执行。这样一来，首件确认就从「有没有填表」变成了「有没有真的做」，堵住的正是换型风险里最隐蔽的一环。想把这类判定的误报继续压低，可参考误报是怎么降下来的。