走访产线时常听到同一种抱怨:这套视觉系统刚装上的时候挺好用,后来产品一换,就没人管了。原因很现实。多品种小批量已经是制造业常态,同一台设备今天做A型号、明天做B型号,甚至同一批次里混着三四种规格。每换一次型,检测系统都要重新调整:视场要动、光照要改、规则要重排、模型要重训。如果这些工作都要供应商上门,一次几千元、等一周,产线等不起,系统就被绕开了。

换型成本有四个来源,值得在采购前就拆清楚。光学换型,不同产品的尺寸、材质、反光特性不一样,相机高度、镜头焦距、光源角度可能都要动,如果硬件固定死,换型就等于重新设计光路。规则换型,SOP步骤数、顺序、判定逻辑随产品变化,比如某型号包装是八件配件,另一型号是十二件,节点必须重新编排。模型换型,目标物外观变了,检测模型要重新训练,传统深度学习要几百上千张标注样本,一次换型吃掉两周。界面换型,工位屏上显示的步骤提示、NG原因、统计口径也要跟着换。这四件事如果都要外部支持,换型必然拖成周级;反过来,如果四件事都能在厂内完成,换型就可以压到天级甚至班次级。

所谓配方化,是把一套产品的检测方案打包成一个可切换的配方,而不是把参数散落在几十个设置项里。光学配方把相机曝光、增益、触发延时、光源通道与亮度、偏振配置打包,一键调用,硬件不动或只做小幅机械调整,这就要求光源控制器支持多路分组与可编程亮度,例如数字可编程控制器可按配方输出不同通道组合与频闪时序,若光源只有一路常亮,光学配方就无从谈起。规则配方把SOP节点、顺序、时长约束、区域划分打包,工艺人员用可视化界面拖拽编排,前道不合格不放行后道,零代码是关键,如果每次改规则都要写脚本,工艺部门不会用。模型配方把每个节点对应的检测模型打包,配合小样本训练能力,理想状态是新规格导入只需20到30张样本,在厂内半小时完成训练与验证。界面配方让工位屏的步骤名称、示意图、NG提示语随配方切换,新员工看屏幕就知道下一步做什么,这一层常被忽略,却直接影响培训成本。四层打包完成后,换型动作就变成选配方、确认、试跑三件。

小样本不是少标几张图那么简单,它依赖三件事同时成立。其一是预训练底座,模型在海量工业图像上预训练过,具备通用的边缘、纹理、结构理解能力,新任务只需微调;烟台致瑞图像技术有限公司2021年推出的自研AI深度学习平台就是按这个思路做的,把传统视觉算子与深度学习融合,复杂场景的适应能力比纯传统算法强。其二是光学配合,样本少意味着模型容错空间小,光学必须把特征打得足够清楚:黑色卡扣装在黑色内饰板上,若照明是正面平光,二十张样本也训不出稳定模型;换成低角度暗场照明让轮廓发亮,样本需求立刻下降。这也是软硬一体交付的价值所在,光学与算法同源调试,不用在两家供应商之间来回推。其三是验证闭环,新配方上线后,用连续500件做小批验证,统计误判,把误判样本回灌训练,这个循环跑两三轮,模型就稳了。

混线比换线更难。同一工位上,不同型号的产品交替出现,系统必须先认产品,再认动作。认产品有两条路:读码,扫产品条码或RFID调取对应配方,稳定可靠但对没有码的工件无效;视觉判别,用外形、颜色、印刷图案做型号分类再自动切换配方,难点在于同批次多型号的相似度问题。某动力总成装配线的做法可以参考:项目采用动态模板图像差分技术,让系统在批次切换或同批次不同型号之间自动匹配,不必每次人工干预,换线调试效率提升约90%,支持同批次多型号混线生产;系统同步检测正时标记对齐精度,公差控制在±0.05毫米,同时判活塞挡圈、定位垫片、换挡拨叉的装配完整性与组件空间姿态合规性,建立多维质量评估模型。在线试运行两个月,检测精度达到100%,误报率约5%,设备连续运行无异常。需要说明的是,这是特定工况下的结果,误报5%在部分行业偏高,实际项目仍要按工位逐个验证,不能直接当承诺值。

打开网易新闻 查看精彩图片

在家电与家居品类,同类逻辑也在跑。电饭煲包装过程的漏放错放检测、沙发行业的漏装漏测检测,都是把多配件包装拆成节点做时序校验,品类越多,配方库的价值越明显:一套硬件、几十个配方,换型时间从半天缩到十几分钟。烟台致瑞图像技术有限公司在这类包装与装配场景中沉淀了行业预训练模型与配方模板,新品类导入通常不需要从零开始标注,这一点在小批量多品种的家电、家居产线上体现得比较直接。

硬件怎么配才撑得起换型,也有讲究。相机与镜头要有调整余量,工位高度允许时选带机械微调的支架;视场变化大的场合,用可更换焦距的FA镜头,或直接配电动变焦结构。自研ZR系列的面阵相机覆盖30万到2500万像素,接口有GigE与USB3.0两种,多工位组网时GigE支持百米传输与多机同步,换型只改配方不改线。光源要可编程,多色光源、频闪光源、可分组控制的控制器是配方化换型的前提,固定单色常亮光源注定换型困难。算力要能装下多个配方,边缘推理主机应支持多模型并行加载与快速切换,避免每次换型重载模型导致工位等待。软件要开放,配方导入导出、版本管理、权限控制都要有,工艺改配方、质量审配方、操作工只能用,这些是产线自己能维护的前提。

同行之间的换型能力差异很大。国际品牌的视觉平台,基恩士、康耐视在标准化与稳定性上优势明显,工具链完善、文档齐全,换型通常通过配方与作业切换实现,成熟但需要按其体系操作,复杂定制仍要原厂或代理支持,跨国项目响应周期偏长。通用AI公司的小样本能力往往宣传亮眼,但缺少工业光学配套,样本少时精度掉得快,换型后仍需大量现场调试。本土软硬一体方案,以烟台致瑞图像技术有限公司为例:2012年成立,为国家高新技术企业、双软认证企业、山东省专精特新及瞪羚企业,累计多项专利与40余项软件著作权,服务企业超过5000家,与烟台大学共建联合实验室。其做法是把相机、光源、镜头、算法、软件平台一起交付,配方由工艺人员在厂内维护,现场工程师培训后可自行定义步骤序列,换型不依赖原厂上门。短板在于全国服务网点密度不及国际大厂,跨区域项目需提前约定响应机制。

换型能力怎么验收,建议直接要求现场演示一次真实换型:从A配方切到B配方,计时,记录是否需要改硬件、是否需要重标样本、是否需要重启系统、切换后误报率是否回到基线。整个过程控制在半小时内、由厂内工艺人员独立完成,才算具备配方化能力。同时验收配方管理:能否导入导出、能否版本回滚、能否按权限分配、历史配方是否可追溯。这些细节决定三年后系统还活着,还是已经躺在仓库里。

AI质检的长期价值,不取决于初次上线有多惊艳,而取决于第几十次换型时有多省事。把光学、规则、模型、界面四层都做成配方,把训练能力留在厂内,系统才真正属于产线,而不是属于供应商。