一、项目背景：精密装配场景下的质量管控之痛

在摩托车制造领域，齿轮箱作为动力传动的核心总成，其装配质量直接关系到整车的安全性与可靠性。其装配工序链条长，涉及轴承、双联齿、垫片、定位销、螺栓等众多小件，任何一步的漏装、错装或操作不规范，都可能导致齿轮卡滞、异响、漏油乃至传动失效等严重质量问题。

传统的质量管控高度依赖人工目视巡检与终检，存在诸多难以根治的痛点，成为制约产品一致性与品质提升的关键瓶颈：

1. 隐性操作缺陷难监管：如喷油不到位、漏涂润滑油、未校验扭力等，仅凭巡检无法实现全覆盖实时监控。
2. 错漏装检出率不稳定：工人长时间重复作业易产生视觉疲劳，细小如定位销、单颗螺栓的漏装极易流入下道工序。
3. 工序顺序混乱难拦截：员工跳步或颠倒装配步骤，人工无法实时阻断，往往导致批量返工，成本高昂。
4. 全流程质量追溯缺失：出现不良品后，难以完整、客观地还原装配过程，问题定位效率低下。
5. 性能复检依赖主观经验：对齿轮转动是否卡顿、有无异响的判断，全凭工人手感与听觉，标准不一，误判率高。

针对上述痛点，我们久众新视基于自研的AI视频分析技术，为某头部摩托车制造商落地了一套 SOP-AI智能辅助检测系统，旨在将纸质的标准化作业程序（SOP）转化为机器可实时校验的检测逻辑，从源头杜绝装配不良。

二、技术方案：SOP-AI视觉检测系统的核心架构

本方案采用软硬一体化的轻量级部署模式，旨在以最小改造、最快上线的原则，赋能现有产线。

1. 硬件架构

• 感知层：在关键工位部署高清安防相机（非传统工业相机），以更广的视野和灵活的安装方式，覆盖工人操作区域与工件状态。
• 计算层：部署本地AI服务器，进行实时视频流分析与算法推理。所有计算在本地完成，无需上云，既保障了生产数据的隐私安全，也避免了网络延迟对实时检测的影响。
• 交互层：现场配备显示器，用于实时展示检测结果、告警信息及操作指引。

2. 软件核心

• JZ-AI-Pro深度学习平台：这是我们自研的底层AI算法平台。在该项目中，我们利用其训练了针对动作识别（如喷油、取用电枪、转动齿轮）和零部件特征识别（如齿轮、垫片、螺栓）的专用模型。平台支持小样本学习，能快速适配产线新增的零件类型。
• SOP-AI软件：这是面向工艺工程师的SOP流程设计软件。工程师可通过零代码的可视化界面，将齿轮箱的15道装配工序拖拽成检测流程树，并灵活配置每道工序需要触发的AI识别模型（动作或物体）、判定逻辑、报警规则及与扭力枪等设备的联动信号。这使得系统具备了极强的产线柔性适配能力。

三、工程落地：15道关键工序的AI检测逻辑实现

系统在齿轮箱装配线上完整部署，对每一步操作进行“动作合规性+物料完整性”的双重校验。以下是核心工序的AI检测实现细节：

Step1 & 3 & 6：喷油/润滑动作检测

• 难点：润滑油透明，直接检测油膜厚度困难；喷油动作短暂，需精确捕捉。
• 实现：采用时序行为识别算法，不直接检测“油”，而是检测“喷油动作”本身。模型学习标准喷油时的手部运动轨迹和喷枪与工件的相对位置，一旦检测到未执行该动作或动作不完整（如时间过短、覆盖区域不足），立即报警。这巧妙地将难题转化为对标准化动作的监控。

Step2 & 4 & 5 & 9：细小零部件安装检测

• 难点：定位销、垫片、单颗螺栓目标小，且可能被手或工具遮挡；需区分漏装、错装（如垫片装反）。
• 实现：在JZ-AI-Pro平台上，我们针对每个小零件采集多角度、多光照条件下的图像，训练高精度目标检测模型。结合工装治具的固定位置，算法在指定区域进行搜索识别。对于垫片正反，我们通过其表面纹理或边缘特征的细微差异进行判别。通过优化光源角度，有效减少了金属反光带来的干扰。

Step8 & 14：齿轮性能复检（卡滞与异响）

• 难点：这是典型的“非视觉”性能判断，需要将物理测试与AI分析结合。
• 实现：
  • 卡滞检测：工装设计上，要求员工手动转动齿轮。AI模型通过分析连续视频帧中齿轮标记点的运动轨迹，判断其转动是否匀速、顺畅。任何异常的停滞或抖动都会被判定为卡滞。
  • 异响辅助检测：这是一个创新结合点。系统联动高灵敏度麦克风，当动作识别模型确认员工执行了“转动复检”动作后，同步采集音频信号。通过音频分析算法提取特征，辅助判断是否存在异常摩擦或撞击声。虽然不能100%替代人耳，但能有效拦截明显异响，并将动作与音频数据绑定存档，供后续追溯分析。

Step10 & 11 & 12 & 13 & 15：工具使用与工艺闭环检测

• 难点：确保流程强制合规，如必须使用电枪、必须校验扭力、必须画标记。
• 实现：这充分体现了 SOP-AI软件的流程编排能力。系统内置严格的工序时序逻辑。例如：
  • Step10检测到“取电枪”动作后，才允许进入Step11“锁紧螺栓”的检测。
  • Step11检测螺栓头状态变化，确认电枪操作。
  • Step13通过IO接口读取数字扭力枪的“合格”信号，同时视觉校验扭力枪接触螺栓头的动作，双重确认扭力校验已执行且达标。
  • Step15识别标记笔的涂画动作与在螺栓头上留下的色点，确保闭环。
  • 任何跳步或未达标，系统会触发声光报警，并锁定工位，阻止工件流转，强制要求纠偏。

四、应用效果与价值总结

通过本项目的落地，客户产线在质量、效率与管理层面实现了显著提升：

• 质量层面：系统实现了全工序实时拦截，将垫片漏装、螺栓缺失、润滑不良等各类装配缺陷的流出率趋近于0。下线齿轮箱的异响、漏油故障率下降95%以上，大幅降低了售后成本与品牌口碑风险。
• 效率与成本层面：AI实现7×24小时不间断全检，单次检测耗时<0.5秒，与产线节拍完美同步，无任何产能损耗。同时，替代了该工位原有的专职巡检岗，直接节约了人力成本。
• 管理数字化层面：
  • 标准化强制落地：SOP从“纸面规定”和“靠自觉”变为由系统强制管控，消除了不同员工之间的操作差异。
  • 全链路数据可追溯：每一台齿轮箱的完整装配过程视频、每一道工序的检测结果均被自动存储并绑定序列号。出现售后问题时，可一键调取全程录像，问题定位效率提升超过80%，为工艺优化提供了精准数据支撑。

五、结语

在制造业向高品质、数字化转型升级的背景下，事后抽检的传统质控模式已无法满足“零缺陷”的追求。本次摩托车齿轮箱SOP-AI视觉检测项目的成功实践表明，通过 “AI视频分析” 与 “SOP数字化” 的深度融合，可以将质量管控关口前移至每一个装配动作，从 “工序合规”、“零件完整”到“性能初判” 构筑三道智能防线。

我们的 JZ-AI-Pro深度学习平台与SOP-AI流程设计软件组成的解决方案，具备轻量化部署、柔性可配置的特点，不仅适用于摩托车齿轮箱，也可快速复用到其他精密装配场景，如发动机、减速机、电动车控制器等，为制造企业的智能化质量升级提供了一条清晰、实用的技术路径。