工业装配工序漏步检测 AI 视觉方案

在工业生产中，装配工序的准确性至关重要。微链道爱凭借其先进的 AI 视觉技术，为某头部工业 SOP 厂商解决了装配工序漏步检测的难题。

用户场景：某头部工业 SOP 厂商，其产线的装配工序涉及多种复杂零部件的组装，产品为高精度的工业设备。检测对象是装配过程中的每一个步骤是否正确执行，包括零部件的安装顺序、拧紧程度、连接是否到位等。由于产品种类繁多，装配工序复杂，人工检测难以保证检测的准确性和效率。

痛点：该厂商面临着诸多量化困境。首先，产品良率高，导致缺陷样本天生稀缺，同时出于数据保密的原因，难以收集大量的缺陷数据进行模型训练，这使得少样本/单样本建模成为检测冷启动的关键难题。其次，人工检测存在较高的漏检率和误报率，漏检率约为 5%，误报率约为 8%，这不仅增加了产品的次品率，还导致了大量的人力成本浪费在重复检测上。此外，产品换型时，需要重新调整检测流程和标准，换型时间长达 30 分钟，严重影响了生产效率。

技术原理

微链道爱采用了先进的算法和成像技术来解决这些问题。在算法方面，利用 DaoAI AI AOI 软件系统中的 APDT 正样本/少样本学习算法，该算法能够通过少量的正样本（1-20 张良品）进行模型训练。其原理是通过对良品特征的深度挖掘和学习，建立起对正常装配工序的特征认知模型。当遇到异常情况时，能够快速识别出与正常特征不符的情况，从而实现漏步检测。在成像方面，DaoAI 2D / 3D AI AOI 设备的自研 3D 相机能够对装配过程进行三维形貌重建，获取零部件的精确位置和形状信息。这对于检测隐藏焊点、共面度和微米级形貌非常有效，因为 3D 成像能够提供更多的细节信息，比传统的 2D 成像更能准确地判断装配是否正确。

• APDT 正样本/少样本学习算法通过对少量良品的特征学习，建立起高效的检测模型，解决了缺陷样本稀缺的问题。
• 自研 3D 相机的三维形貌重建技术，能够提供更精确的装配信息，提高检测的准确性。
• 基于视觉基础模型的特征认知能力，能够快速识别装配过程中的异常情况。

微链道爱解决方案与产品介绍

微链道爱提供了 DaoAI AI AOI 软件系统和 DaoAI 2D / 3D AI AOI 设备相结合的解决方案。DaoAI AI AOI 软件系统具有强大的特征认知能力，一块良品仅需 5 分钟即可完成 0 代码自动编程，大大缩短了模型训练时间。其 APDT 正样本/少样本学习功能，能够在 1-20 张良品的情况下完成模型训练，有效解决了少样本建模问题。同时，语义误报过滤功能能够减少误报率，提高检测的准确性。DaoAI 2D / 3D AI AOI 设备的自研 3D 相机能够对装配过程进行全面的检测，其三维形貌重建技术能够检测隐藏焊点、共面度和微米级形貌，确保装配工序的正确性。在落地过程中，将设备部署在装配产线上，通过 SDK / API / Docker 进行集成，支持 100% 本地私有化部署，保证数据不出厂。

微链道爱的解决方案能够有效解决工业装配工序漏步检测的难题，提高生产效率和产品质量。

量化成效：通过实施微链道爱的解决方案，该厂商取得了显著的成效。检出率从原来的 95% 提高到了 99.2%，漏检率降低到了 <0.8%，大大提高了产品的质量。误报率降低了 -65%，减少了人工复检的工作量。产品换型时间从原来的 30 分钟缩短到了 5 分钟，提高了生产效率。