一份纸质SOP从工程师电脑里定稿,到出现在200个工位的墙上,要经过打印、盖章、分发、旧版回收四道手续。假设一家做精密五金件的工厂,每天换线8次,每次换线都要核对作业指导书版本——人工翻找、比对、签字,光这一项每天耗掉线长近两个小时。换成电子化看板,版本由服务器统一下发,工位屏自动刷新。效率差距不在“纸”和“屏”,而在版本流转有没有被系统管住。精密五金AI视觉识别的部署也是同一个道理:不是买一套算法往产线上一装就完事,它得跟着项目节奏,一个环节一个环节落地。
一、上线前:先搞清楚“识别什么”和“谁来用”
精密五金件的检测难点很具体:尺寸小、反光强、缺陷形态杂。项目启动阶段最忌讳的是拿着通用视觉模型直接试。要先把待检项列清楚——是外观划痕、缺料、毛刺,还是装配到位判断?每类缺陷的判定标准要能写成作业指导书里的图文条目,而不是停留在质检员脑子里。这一步和ESOP的文档结构化是一回事:识别规则必须可描述、可版本管理。
同时确定使用角色。精密五金AI视觉识别的结果最终要落到工位端:操作员看到的是OK/NG提示,线长看到的是当班不良分布,品质工程师要能回溯图像。科创致远ESOP的五个端永久免费使用、永久免费升级,服务器端、管理PC端、手机端、平板端、终端一体机都在内,管理端和手机端用户数不限。这意味着视觉识别模块的告警和判定结果可以直接推到工位一体机上,不需要另建一套终端体系。
二、实施中:相机、光源、算力与现有系统的对接
现场实施的核心动作是成像稳定性。五金件表面反光、油污、摆放角度偏差,都会让同一件产品在不同时间拍出不同结果。方案推演中,一条精密五金冲压线部署6个检测工位,每个工位配定制光源和触发传感器,图像采集与产线节拍同步。这一步没有捷径,必须现场打光、现场调焦、现场跑样本。
系统对接层面,精密五金AI视觉识别不是孤岛。识别结果要写入数据库,与工单、批次、设备编号关联;不良品图像要能按条件检索。科创致远的检测仪器数据采集管控系统采用总部服务器加分厂服务器架构,Lan传输支持单厂250台以上仪表连接,分厂数量不限,SQLServer 2008R2环境。视觉工位的判定数据可以走同一套采集通道入库,Web端按任意条件组合查询,失败项红色标识,测试规格鼠标悬停显示。假设一家电子厂同时有仪表测试和视觉检测两类工位,数据进同一个库,追溯时不用在两个系统之间来回切。
三、验证期:用样本集和现场节拍说话
上线验证分两层。第一层是离线验证:拿过去三个月积累的良品与不良品图像做回测,看漏检率和过杀率是否落在可接受区间。第二层是在线验证:跟线跑至少三个完整班次,观察光照变化、换料、换班对识别结果的影响。方案估算中,精密五金件视觉检测的误判主要集中在边缘反光和摆放偏移两类场景,验证阶段要把这两类样本单独拉出来看。
验证通过后进入试运行。试运行期间保留人工复判,视觉判定与人工判定并行记录,差异项逐条分析。这个阶段也是作业指导书同步更新的窗口——识别标准调整了,ESOP里的图文条目要跟着改版本。科创致远从2000年起做ESOP,系统迭代至22.5版,文档版本管理与视觉识别规则的联动在同一平台上完成,不需要另起一套文档系统。
四、上线后:把识别结果纳入日常管理动作
精密五金AI视觉识别上线不是终点。日常管理要回答三个问题:当班不良集中在哪类缺陷、哪个工位、哪个批次;预警有没有及时推到责任人;历史图像能不能支撑客诉回溯。轻MES模块清单里,AI拍照计数、称重、缺料识别、缺陷识别与安灯、电子看板、质量追溯在同一平台按需组合,ESOP与轻MES一起上不冲突,轻MES是ESOP的超集,同一平台平滑演进。原厂自研、软件加一体机自有工厂,终端硬件和软件版本由同一家管,出问题不用在供应商之间传话。