装反和不到位不是漏装，新能源动力总成终检先读码调出配置，再用AI与模板比对分开判
新能源动力总成体积大、部件密集，装配工序多。终检要拦的不只是“少装了一个”，还包括装错了、装反了、装不到位，以及装配配置与产品型号不符。这四类问题里只有漏装是纯粹的有无判定，其余三类都要先知道“这台应该装成什么样”。本案例用面阵工业相机配高亮结构光与漫射光源，读码后多角度采集图像，AI识别与模板比对共同核验，节拍72秒。
漏装是有无，装反和不到位不是
漏装看目标在不在，装反看方向对不对，不到位看贴合与深度够不够，配置不符看整台的部件组合是否符合型号要求。四类判定依据各不相同，检测配方里必须分开定义阈值和判据，不能拿一套存在性逻辑硬套。这是不少终检方案上线后误判偏高的根源：判定对象没拆清楚，参数就只能互相迁就。
不知道这台该装什么，就判不出配置错误
方案在进站时先读码。读码在这里不是简单的身份登记，它调出该型号对应的装配配置，让后续核验有基准可依。多配置共线生产时这一步最值钱：同一工位面对不同配置，判定标准若不随产品切换，核验本身就不成立。
读码还把检测数据挂到了具体产品上，异常件能回溯到装配工位与批次，质量管控从单点拦截延伸到工艺改进。读码异常要有明确的重新确认路径，避免产品身份错误引发整批误判。
AI 识别和模板比对，各管一段
AI识别负责泛化：面对部件姿态、光照、个别遮挡的变化，仍能找出目标并给出类别与位置。模板比对负责基准核对：拿当前图像与标准装配状态比，指出哪里不一致。
两者互补的道理不难懂：只靠AI，缺一个明确的对照基准，配置类问题容易被泛化掉；只靠模板，遇到正常的位置波动就误报。合在一起，泛化能力和基准刚性都有了，误判与漏判才能同时压下来。
金属反光，结构光和漫射光分工
动力总成部件多为金属，表面反光会让同一部位在不同角度下灰度差异很大，成像一致性直接崩掉。方案用高亮结构光突出部件轮廓与装配细节，用漫射光做均匀照明压制高光，两者组合把反光影响压下去。光源在这里不是补亮度的附属品，而是判定稳定性的组成部分，配置时要跟点位一起定。
部件密集，遮挡只能靠换角度解
检测点多、部件密集，前一个部件挡住后一个的视线，是这类总成的物理事实，算法绕不过去。多角度成像同时解决两件事：覆盖各检测点，以及让隐蔽位置的装配状态也进入判定范围。角度怎么排，取决于点位清单和各部位的遮挡关系，不是越多越好——每个角度都要占节拍。
72秒与异常分流
节拍72秒，与链板线输送和机器人转运的产线节奏匹配，以现场验收结果为准。合格件输送下线，异常件报警分流，两条路径分开，避免异常总成混进后续工序。读码、成像、判定、分流连续完成，中途不设人工介入环节；各环节由产线节拍统一驱动，检测停顿不会外溢成整线等待。
四类异常判定中的常见疑问
装反和不到位怎么区分？
装反判的是方向特征，不到位判的是位置与贴合状态，两者在配方里是不同的判据。同一部位同时出现方向异常与位置偏移时，按更严重的类别报。
为什么不能只靠AI，还要模板比对？
AI擅长应对变化，但不擅长给出“跟标准比差在哪”的确定结论。配置核验需要明确基准，模板比对补的就是这一段。
多配置共线时读码失败怎么办？
读码异常有明确的重新确认路径，先解决身份问题再进入判定，不允许带着错误配置继续检测。