视比特 |“AI+3D视觉”核心产品， 智能下料分拣产线

案例定位：面向AI项目审计、PoC设计、方案复用与交付复盘的结构化案例。
事实边界：本文仅把材料中明确披露的内容视为案例事实；PoC门槛与实施步骤属于FDE交付建议。

二、案例基本信息

三、30秒案例摘要

视比特围绕视觉质检开展AI能力建设。案例所对应的核心矛盾是：其中工件切割下料分拣是重工生产线中重要一环，长期以来依赖人工作业完成，不仅生产效率低而且人力成本大，同时恶劣的工作环境存在极大的安全隐患，由机器人替代人工完成智能化升级改造已迫在眉睫。方案侧的关键做法是：该项目采用多台激光切割机及等离子切割机于一体的柔性混合分拣产线，在 节约全人工模式数十人 的情况下，分拣产能 提升400% 。当前材料可确认的结果为：该项目采用多台激光切割机及等离子切割机于一体的柔性混合分拣产线，在 节约全人工模式数十人 的情况下，分拣产能 提升400% 。

从FDE交付视角，这类项目不应直接以“大模型上线”作为目标，而应把识别产品或工序中的缺陷，并将异常准确分流给质检人员定义为可评价任务。建议先以覆盖正常、典型缺陷、边界缺陷和光照变化的 500—2,000 张图像建立测试集，以关键缺陷召回率、误报率、单件检测时延为核心指标，通过PoC后再进入系统集成与生产化。

四、企业背景与项目起因

4.1 企业与业务背景

已披露事实

• 该项目采用多台激光切割机及等离子切割机于一体的柔性混合分拣产线，在 节约全人工模式数十人 的情况下，分拣产能 提升400% 。
• 视比特机器人深耕行业数年，不断分析和探究客户需求，依托自主研发的3D视觉技术和多机器人智能协同控制软件，在 行业内首次 推出 基于AI+3D视觉的智能下料分拣产线 。
• 在国内某工程机械行业巨头，视比特为解决客户自动化改造的痛点，落地钢板切割全自动下料分拣产线，目前已实现稳定投产。

4.2 项目发起原因

已披露或可直接识别的问题

• 其中工件切割下料分拣是重工生产线中重要一环，长期以来依赖人工作业完成，不仅生产效率低而且人力成本大，同时恶劣的工作环境存在极大的安全隐患，由机器人替代人工完成智能化升级改造已迫在眉睫。
• 在国内某工程机械行业巨头，视比特为解决客户自动化改造的痛点，落地钢板切割全自动下料分拣产线，目前已实现稳定投产。
• 而众多制造业企业在推进下料分拣产线智能化升级过程中，却又面临诸多视觉问题带来的挑战，传统工业视觉技术已无法应对。
• 而且工件的形状复杂，来料姿态各异，同时部分工件极其相似，在对工件进行分类码放过程中，传统工业视觉无法保证工件种类的准确识别与姿态的精准定位。

FDE补充判断

项目边界应收敛到“识别产品或工序中的缺陷，并将异常准确分流给质检人员”，并在启动会中确认业务负责人、真实使用者、数据负责人和最终验收人。若无法确认这四类角色，项目容易停留在演示层。

五、原始流程与核心问题

5.1 AI介入前的工作流程

以下流程为基于场景的FDE复盘推断，必须在客户访谈和跟岗观察中确认。

采集产品图像 → 人工观察与判定 → 记录缺陷 → 返工或放行。

5.2 核心问题

5.3 项目前基线

六、场景选择与价值判断

6.1 候选场景

6.2 选择原因

第一阶段建议选择“视觉质检”，因为任务边界可以被定义，输入与输出可以形成测试样本，并能通过关键缺陷召回率、误报率评价。上线初期保留人工审核和异常兜底，可以在控制业务风险的前提下验证价值。

6.3 核心验证假设

如果使用计算机视觉 + 优化算法 + IoT与边缘采集组合方案完成“识别产品或工序中的缺陷，并将异常准确分流给质检人员”，预计能够让关键缺陷召回率和误报率达到双方约定目标，同时把高风险异常控制在人工审核与可回滚范围内。

七、AI解决方案设计

7.1 方案概述

• 该项目采用多台激光切割机及等离子切割机于一体的柔性混合分拣产线，在 节约全人工模式数十人 的情况下，分拣产能 提升400% 。
• 本模块面向整板切割件中大型工件分拣场景，采用多臂桁架机器人，依托动态避障算法，能够确保工件与机械臂不发生碰撞且能实现各 单臂抓取并行工作 ，具有很高的分拣效率。
• 在某工程机械行业巨头厂房内，视比特通过单独规划部署激光切割自动分拣线和等离子切割自动分拣线，实现中厚型钢板的全自动分拣。
• 重工行业工件具有形状差异大、种类繁杂等特点，为保证适应各种类型工件的稳定抓取，本产品采用了自主设计的点阵式柔性端拾器，具有 结构简单、普适性高、单点可控、性能稳定、即插即用 等优势，能够实现海量工件的灵活抓取。

建议的任务链路为：业务系统或工作台发起任务 → 数据与权限校验 → AI识别、检索、预测或优化 → 规则校验 → 返回建议/执行动作 → 人工确认高风险结果 → 结果写回与日志留存。

7.2 系统组成

7.3 核心业务对象

1. 产品/工件：需要定义唯一标识、关键属性、状态和与其他对象的关系。
2. 缺陷类型：需要定义唯一标识、关键属性、状态和与其他对象的关系。
3. 工位与设备：需要定义唯一标识、关键属性、状态和与其他对象的关系。
4. 图像：需要定义唯一标识、关键属性、状态和与其他对象的关系。
5. 质检结论：需要定义唯一标识、关键属性、状态和与其他对象的关系。

7.4 AI与人的分工

7.5 技术选型说明

• 材料可识别技术：计算机视觉、优化算法、IoT与边缘采集、API与系统集成。
• 选型原则：先选择能验证核心假设的最简单路径，再根据准确率、成本、时延和部署约束升级。
• Agent或工作流：只有任务涉及多步判断、工具调用或状态管理时才使用Agent；稳定规则优先交给确定性工作流。
• 知识库/RAG：涉及企业知识时必须提供引用、版本和权限过滤；无知识检索需求时不强行使用。
• 部署方式：由数据敏感度、时延、并发、可运维性和企业基础设施共同决定，材料未披露最终选择。

八、项目交付过程

8.1 第一阶段：需求调研（Audit）

材料未披露访谈岗位、跟岗次数和需求变化记录。正式交付时，FDE应分别访谈战略层、运营层和执行层，并至少跟随真实用户完成3次端到端任务。调研输出应包括As-Is流程、痛点优先级、干系人、项目边界和成功标准。

8.2 第二阶段：数据与知识准备

材料中的数据线索

• 该系统融合了生产订单和设备状态等数据，可对分拣产线进行柔性调度和控制，具备 产线动态调优、多工位选位、多机协同分拣、动态码盘 等功能。
• ► 工件背景环境嘈杂： 重工生产线中，工件分拣抓取环境嘈杂，输送线存在油污、粉尘、锈迹等各种干扰，同时光照条件恶劣，昼夜变化大，导致图像采集质量较低，并且切割工件本身也存在割缝过细、轮廓特征微弱等挑战，这些因素都给视觉识别带来极大的困难。
• 针对切割下料整板分拣中光照环境复杂、切缝特征微弱、工件移位变形等难点，本产品基于AI+视觉技术，融合了本征图像分解鲁棒特征提取，点云图像融合微弱特征增强以及点云深度学习位姿检测等关键算法，能有效处理切割板材上污渍、粉尘、光线阴影带来的干扰，同时 增强工件微弱切缝的纹理特征 ，实现对切割工件的高精度识别与姿态定位。
• 针对桁架分拣场景中分拣作业区域广、工件尺寸差异大、相机覆盖视野小、识别定位精度低等难点，本产品基于AI+视觉技术，融合了多源协同高精度图像拼接，多尺度图像目标检测和方向自适应任意目标识别等核心技术，能够 有效应对复杂背景下不同尺寸 （400mm-10000mm） 工件的识别分拣 ，视野覆盖可达12米，实现对 超大视野下工件的精准识别和定位 。

数据准备需执行4C检查：完整性、口径一致性、准确性与时效性；敏感字段先脱敏，再划分训练集、验证集、盲测集和异常集。业务专家负责确认标签与知识版本。

8.3 第三阶段：PoC验证（Evals）

8.4 第四阶段：开发与迭代

交付范围应覆盖数据管道、AI能力、工作流、接口、权限、异常处理、日志、监控和用户界面。材料可识别的技术包括计算机视觉、优化算法、IoT与边缘采集、API与系统集成。材料没有系统披露首版问题、根因和迭代前后指标，因此不能把推荐方案写成已经发生的项目事实。

建议至少保留一次完整迭代记录：问题现象 → 根因 → 调整内容 → 回归测试集 → 指标变化 → 是否进入下一阶段。

8.5 第五阶段：试运行与上线（Deployment）

当前阶段判断：生产运行/规模化（材料披露）。若进入生产，建议先选择3—5名真实用户和5—10个典型任务开展UAT，再按小流量、部门级、全量三个阶段灰度。上线前必须确认人工兜底、回滚、告警、用户培训与知识运营责任人。

九、项目结果与价值验证

9.1 核心结果

材料披露的结果（对外引用前需复核原始台账）

• 该项目采用多台激光切割机及等离子切割机于一体的柔性混合分拣产线，在 节约全人工模式数十人 的情况下，分拣产能 提升400% 。
• 识别准确率达100%。
• 值得一提的是，作为 AI+机器视觉运行决策搬运提升生产效能 的典范代表，该产线的建成推动了行业对于自动分拣的持续研究和新生产模式的探究，实现了工人重体力作业到监督型维护的生产模式转变。
• 此外，该项目部署后整条产线的常规运营解放了大量的生产劳力，生产效能较以前的人工模式 提高数倍 ，目前该项目已成功实现投产。

9.2 价值分类

• 已披露价值：该项目采用多台激光切割机及等离子切割机于一体的柔性混合分拣产线，在 节约全人工模式数十人 的情况下，分拣产能 提升400% 。
• 初步价值：AI有机会减少重复劳动、缩短任务周期并提升判断一致性，但需通过真实用户试运行验证。
• 预期价值：若PoC与UAT达标，可进一步扩展到“缺陷根因分析与返工闭环”；该项属于规划，不是已验证成果。

9.3 投入产出

建议按以下公式建立项目账：年度价值 = 效率节省 + 质量损失减少 + 经营增益；年度成本 = 建设投入 + 集成投入 + 模型/算力成本 + 知识运营与运维成本。ROI与回收周期只有在基线、运行周期和成本口径完整时才计算，当前材料不足以给出可靠数值。

十、问题、失败与关键迭代

10.1 已披露问题

• 其中工件切割下料分拣是重工生产线中重要一环，长期以来依赖人工作业完成，不仅生产效率低而且人力成本大，同时恶劣的工作环境存在极大的安全隐患，由机器人替代人工完成智能化升级改造已迫在眉睫。
• 在国内某工程机械行业巨头，视比特为解决客户自动化改造的痛点，落地钢板切割全自动下料分拣产线，目前已实现稳定投产。
• 而众多制造业企业在推进下料分拣产线智能化升级过程中，却又面临诸多视觉问题带来的挑战，传统工业视觉技术已无法应对。

10.2 交付风险卡（需验证，不代表已经发生）

风险1：样本分布与现场光照变化导致模型漂移

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

风险2：关键缺陷漏检带来质量风险

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

风险3：相机、工位和产线节拍集成不稳定

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

十一、安全与生产化机制

数据安全

• 盘点产品/工件、缺陷类型、工位与设备、图像、质检结论中的个人信息、经营数据、工艺参数和知识产权。
• 训练、测试与日志数据按最小必要原则脱敏；明确外部模型是否留存数据。
• 权限继承业务系统，检索、查看、生成与执行分别授权。

AI安全

• 输出附置信度、依据或引用；低置信度和无答案任务拒答或转人工。
• 高风险动作必须人工确认，工具调用采用白名单、参数校验和最小权限。
• 建立模型、Prompt、知识和工作流版本管理，支持一键回滚。

持续运营

• 每周复盘错误样本，每月回归核心测试集，并监控关键缺陷召回率、误报率、单件检测时延。
• 明确业务知识负责人、技术运维负责人和价值指标负责人。

十二、FDE角色与交付复盘

本项目中，FDE应承担需求调研、业务流程建模、数据审计、PoC设计、方案集成、用户验收和价值复盘。最重要的判断不是“使用哪一个模型”，而是把项目收敛到“识别产品或工序中的缺陷，并将异常准确分流给质检人员”这一可验证任务，并为高风险结果设计人机边界。

1. 最重要判断：用可量化任务替代宽泛的AI转型目标。
2. 最难协调关系：业务价值负责人、真实用户、IT/数据团队与技术供应商之间的目标和责任边界。
3. 可复用能力：场景审计方法、测试集、指标体系、工作流、权限与监控组件。

十三、可复用资产

十四、下一阶段计划

1. 补证：补齐业务量、人工时长、质量损失、数据质量、真实运行范围和项目成本。
2. 验证：按建议测试集完成离线盲测，再用真实用户开展小范围UAT。
3. 扩展：当前场景稳定后，评估“缺陷根因分析与返工闭环”，并把通用组件沉淀到企业AI平台。

下一阶段的首要目标不是增加功能，而是建立持续评测、错误样本回流、知识更新、模型监控和价值台账，使关键缺陷召回率、误报率可以长期追踪。

十五、结语：给同类企业的三条建议

1. 从高频、可衡量、风险可控的任务开始：先验证一个闭环，不把多个部门的愿望一次性塞进PoC。
2. 启动前先准备基线、数据和验收人：没有基线无法证明价值，没有真实用户和业务验收人无法进入生产。
3. 把人机边界和运营机制写进方案：明确AI做什么、人确认什么、异常如何降级、错误由谁修正，才能把演示变成可持续系统。