发动机气门、油封装没装到位，不能指望一个工位看全整台机，按工位拆检测项并配型号配方
发动机由气门、油封、柔性盘、缸体、缸盖、凸轮轴、活塞等零部件装配而成，缸体缸盖个头大、种类多。装配线上要判的是四类问题：装到位没有、漏装没有、装错没有、型号对不对。检测目标多、位置分散，同线还混产多种发动机型号。本案例按工位部署2D视觉，把检测项拆到就近工位，节拍40秒，检测准确率不低于99%。
一个工位看全一台发动机，本身就不现实
发动机的检测点不是集中在一处，而是沿着装配流程一路分布：气门在缸盖、油封在特定孔位、柔性盘在端部。若指望在某个工位一次性把整台机看全，要么相机数量多到不现实，要么视野被拉大到判不清小件。所以本方案的思路是反过来的：不追求单点全检，而是按工位拆检测项，每个工位只承担就近的若干项。
拆分之后，每个工位的拍照点位少而集中，单次拍照与判定的耗时就短，节拍压力被分散到整条线上，而不是压在某一处。
四类判定的依据各不相同
装配到位看安装深度与贴合状态，漏装看目标是否存在，错装看装上去的是不是该装的那个，型号错误看整件身份。四类问题的判据不同，必须在检测配方里分别定义：同一个拍照点位可能同时承担“到位”和“漏装”两项判定，但阈值和判据不能混用。把四类问题笼统当成“有没有”来判，是这类方案最常见的失误。
缸体缸盖这类大件，不必整件成像
大件也能用2D视觉防错，前提是别把它当整件看。缸体缸盖的检测项通常落在具体安装部位上——油封孔位、气门安装面之类，按部位拆成多个拍照点位即可覆盖。这样每个点位的视野小、工作距离短、像素密度高，小件也判得清。代价是点位数量多，需要靠工位拆分来摊平。
型号配方：换型时不能靠人记
同线混产多种发动机型号，最大的风险不是判不准，是判错了标准——用A型号的基准去判B型号的件，整批都得返工。方案按发动机型号维护检测配方，换型时由装配系统下发型号信号，视觉系统自动加载对应配方。这一条把换型从人的动作变成系统的动作，配方错配的概率随之下降。
置信度低于阈值，交给人工
AI判定以配方中的标准图像与特征参数为基准，结合形状匹配与特征比对输出置信度。低于阈值的样本转人工复核，这是准确率能站住的一部分原因：算法不必为边界样本强行给结论，人只需要处理少数存疑项。
节拍和准确率不是两笔独立的账
节拍40秒、检测准确率不低于99%，以现场验收结果为准。节拍靠两件事保证：检测项按工位拆分、就近布点，单工位的拍照与判定耗时短；相机按线体节拍触发，判定结果在节拍内下发至报警与拦截机构。异常件在该工位被拦截，人工确认后放行或返修，形成自动判定加人工复核的组合。
工位化方案的落地疑问
气门、油封这类小件怎么判到位？
在安装部位定点拍照，靠形状与位置特征比对判定；小件要求相机分辨率与安装部位视野匹配，必要时单独布点。
新增零部件要不要重建系统？
不需要。在已有配方里补充检测项与拍照点位即可，工位布局与配方结构可复用，改造工作量小。
金属表面反光会影响判定吗？
会，所以选型时要为反光金属件配置合适光源。成像条件不解决，算法侧很难补救。
型号错误和错装有什么区别？
型号错误看整件身份对不对，错装看装上去的零件是不是该装的那个；两者判据不同，配方里分开定义。