在精密组装领域，每一道工序的遗漏都可能导致最终产品的质量缺陷。我们“久众新视”通过自研的AI视觉与视频分析技术，将SOP（标准作业程序）数字化、智能化，为汽车制造客户成功落地了一套“零缺陷出厂”的装配辅助检测系统。本文将详细解析这一实战案例的技术路径与工程实践。

一、项目背景：精密装配中的质量痛点

我们服务的客户是某知名汽车零部件一级供应商，其核心业务之一就是汽车尾门板的总成装配。尾门板的装配质量直接关系到整车的外观品质、密封性能乃至行车安全，每一个螺丝、每一枚卡扣、每一张功能贴片的安装都至关重要。

然而，在实际生产线中，客户长期面临以下痛点：

• 人工目检不可靠：装配线工人需要在高速节拍下完成数十个零件的安装，极易因疲劳导致视觉疏漏。
• 漏检风险难根除：传统方法依赖人工抽检或简单的传感器检测，无法对卡扣、贴片等小件进行100%全检，不良品流入下一工序甚至客户端的风险始终存在。
• 追溯与数据缺失：出现质量问题时，难以快速追溯至具体工位和操作批次，问题分析效率低下。

客户的明确需求是：在装配工位末端，实现对“3张贴片”和“12个卡扣”的100%在线、实时、零漏检的自动化视觉检测。

二、技术方案设计：不依赖云的本地化AI视觉系统

针对客户对数据隐私、实时性、高可靠性的严苛要求，我们摒弃了上云方案，设计了一套完全本地化部署的软硬件一体解决方案。其核心架构清晰简洁：

1. 采集层 - 高分辨率安防相机：我们选用了工业级安防相机，而非传统的工业相机。其优势在于具备更强的环境适应性与更灵活的安装方式，能够有效应对车间现场的复杂光照和振动，以视频流的形式实时捕获高清的尾门板装配面图像。
2. 计算层 - 本地AI边缘服务器：在产线旁部署一台高性能的本地AI服务器。所有图像数据处理和AI推理均在本地完成，数据不出车间，彻底保障了客户生产数据的隐私与安全，同时确保了检测响应的极低延迟。
3. 算法层 - 自研JZ-AI-Pro深度学习平台：这是我们方案的核心“大脑”。该平台封装了我们自研的深度学习算法框架，用于完成目标检测模型的训练、优化与部署。它能高效处理安防相机传回的视频流，并执行精准的AI分析。
4. 应用层 - SOP-AI流程设计软件：基于JZ-AI-Pro平台，我们使用 SOP-AI软件 快速构建了针对本项目的检测流程。该软件以图形化方式将“贴片检测”和“卡扣检测”两个AI分析模块，与拍照触发、结果判断、报警输出等逻辑节点串联，形成了一个完整的、可复用的SOP自动化检测程序。
5. 交互层 - 现场显示器：在工位旁安装显示器，实时显示相机画面、AI分析结果（用绿色框标注合格件，红色框标注NG件）和明确的“OK/NG”提示，指导工人操作。

三、核心算法实现与工程落地细节

1. 贴片安装检测：精准识别与位置校验

尾门板内部需要粘贴3张功能型贴片（如减震贴、隔音垫）。传统模板匹配方法对贴片颜色、轻微形变极为敏感，极易误判。

• 算法选型：我们采用基于深度学习的目标检测算法（如YOLO系列变种），通过在JZ-AI-Pro平台上标注大量包含不同光照、不同批次来料、部分遮挡情况下的贴片图像进行模型训练。
• 工程实现：
  • 智能计数：模型能够精准定位并识别出图像中所有贴片，数量是否为“3”是首要判断逻辑。
  • 位置校验：除了计数，模型输出的边界框（Bounding Box）坐标可与预设的“标准位置区域”进行比对，判断贴片是否存在偏移、歪斜甚至贴反的情况。
  • 触发机制：当装配完成，工件到达检测工位时，系统自动触发拍照-分析流程。

2. 卡扣安装全检：12个点位，一个都不能漏

卡扣是固定内饰板与钣金的关键，漏装会导致异响或饰板脱落。其检测难点在于目标小、反光特性不一、且可能被轻微遮挡。

• 算法增强：我们针对卡扣的小目标特性对检测模型进行了优化，并增加了针对卡扣安装到位的“状态分类”能力。
• 工程实现：
  • 全量计数：系统能自动识别尾门板上所有12个卡扣安装点位，并精确统计已安装的卡扣数量。
  • 防漏报警：只有当系统识别到恰好12个卡扣时，才判定为“合格”。任何数量缺失，系统即刻触发声光报警，并在显示器上高亮缺失点位，同时可向下游设备发送锁定信号，阻止工件流出。
  • 安装质量初筛：模型能对卡扣的“浮高”（未压紧）状态进行初步判断，为操作员提供即时调整的视觉提示。

四、应用效果与核心价值

该系统自上线以来，稳定运行，取得了显著成效：

• 质量提升：实现了对关键零部件的100%在线全检，将因漏装、错装导致的下游投诉和返工率降低了99%以上，真正做到了“零缺陷流出”。
• 效率保障：整个AI分析流程耗时<500毫秒，完美匹配产线节拍，未对生产效率造成任何影响。
• 数据追溯：所有检测结果（包括NG图片、时间戳、工位信息）均自动存储并可与客户MES系统对接，实现了质量问题的快速追溯与分析。
• 快速部署：基于模块化的SOP-AI软件和预训练的算法模型，从方案确认到现场调试上线，周期大大短于传统机器视觉项目。

总结而言，本项目的成功关键在于：将具体的SOP（检3张贴片、12个卡扣）转化为可被AI理解和执行的数字化流程，并通过本地化的边缘AI方案，在保障数据安全的前提下，实现了实时、精准、可靠的自动化检测。

五、经验总结与展望

通过这个汽车尾门板装配检测的实战案例，我们验证了“AI视觉 + 视频分析 + SOP数字化”在工业质量管控中的巨大潜力。其优势不仅在于替代人眼，更在于以始终如一的“标准”和不知疲倦的“专注”，守护每一道制造工序。

对于希望引入类似技术的企业，我们的建议是：从最明确、最痛点的单一工序入手，用可量化的指标（如漏检率、节拍时间）定义需求，选择数据安全可控、部署灵活的技术方案。我们久众新视的JZ-AI-Pro平台与SOP-AI软件，正是为了快速响应这类需求而打造。

未来，我们将继续深耕机器视觉与AI视频分析领域，将这套方法论拓展至更复杂的装配动作分析、人员行为规范监测等场景，用技术赋能智能制造，让每一次操作都符合标准。