小家电装配线的视觉 AI SOP 方案

小家电的单台利润薄、售后成本高。一个几毛钱的密封圈漏装，可能带来整机返修、物流往返甚至客户投诉。而且这类问题在产线上几乎不可见——装配外观正常、通电测试也可能通过，只有到用户手里通水、长时间运行后才暴露。

视觉 AI SOP 在这种场景下的投入产出最容易算清楚：先统计过去一年因漏件导致的售后返修数量与单次成本，再把对应工位的漏件率降下来，节省金额可以直接对比部署成本。

高发漏装点与监控方式

从售后数据反推部署工位

• 先拉出近 12 个月的售后维修记录，按故障现象分类，筛出「漏装 / 未连接 / 安装不到位」这一大类。
• 把故障现象映射到具体工位与工序，统计每个工位的对应返修台数。
• 按「返修台数 × 单次返修成本」排序，选排名靠前的 1 至 2 个工位作为试点。
• 试点工位部署后，用同样的售后口径复核效果，形成可量化的效果报告。
• 效果验证通过后，再向其他高发工位复制。

漏件为什么在产线上看不见

漏装一个密封圈，整机外观和通电测试往往都正常——问题要等到通水、加压或长时间运转后才暴露。这类缺陷的共同点是失效滞后：它不在装配完成的瞬间产生可见后果，因此既躲过了通电测试，也躲过了人工目检。产线上唯一能拦住它的时点，就是「部件本应被装上的那一刻」。把判定放在这个时点，是这类问题能否被拦住的分水岭，成因分析可参见漏装问题的根因。

常见漏件点与判定依据

哪些工位先别急着上

试点效果怎么量化

密封圈这类软件怎么判

密封圈、O 型圈是家电漏件里最常见也最难判的一类。它们颜色浅、体积小，还常常半嵌入槽内，很容易被反光和背景吃掉。判定时不要追求看清整圈，而是抓住「圈体轮廓是否成环、槽内有无缺口、边缘是否露出」这几个特征。如果装配后盖子随即合上，就要在合盖前设一个专门的拍摄位，或者用侧光让圈体边缘产生一圈阴影，稳定性会明显提升。同类小件的成像思路与3C 电子装配方案是相通的。