在汽车全球化制造（CKD/SKD模式）中，KD件（完全散件/半散件）的出口装箱是供应链中最关键也最脆弱的环节。某大型合资汽车主机厂面临着极其严峻的挑战：
极高的漏装风险：一辆汽车的KD件包含数千种零部件，传统人工扫码或纸质清单核对效率低，极易因疲劳导致"少装一个螺丝"或"错装一个饰板"。一旦集装箱海运至海外工厂发现缺件，将面临巨额空运补件成本及停产索赔风险。
黑盒作业：装箱过程缺乏数字化记录，一旦发生质量异议，无法回溯是哪个环节、哪个人、哪个时间点出现的问题。
异形件识别难：汽车零部件形状各异（如不规则的冲压件、线束），传统OCR或简单条码扫描难以覆盖所有场景。
本项目旨在构建一套"零缺陷"的智能防错防线，利用计算机视觉（CV）与物联网（IoT）技术，实现从"人防"到"技防"的跨越。
1. AI视觉智能核验（核心亮点）
动态装箱监控：通过部署在工位上方的工业相机，实时捕捉工人投料动作。系统内置深度学习目标检测算法，能精准识别数百种KD件的SKU特征。
BOM自动比对：系统实时读取当前车辆的VIN码对应的BOM（物料清单），当工人放入零件时，AI自动判断该零件是否属于当前车辆，并计数。
异常即时报警：一旦发现漏装、错装、多装，系统在200ms内触发声光报警，并锁定流水线，强制人工介入复核，确保问题不流出工位。
2. 全流程数字追溯
一车一档：为每一个集装箱生成唯一的数字档案，包含装箱全过程的视频片段、每个零件的识别快照、操作人员ID及时间戳。
可视化报表：管理层可通过Dashboard查看实时装箱进度、一次合格率（FPY）及高频错误类型分析，辅助优化生产节拍。
3. 硬件联动控制
PLC深度集成：系统与西门子/三菱PLC无缝对接，实现"识别通过即放行，识别失败即停机"的自动化闭环控制。
标签自动打印：核验通过后，自动触发贴标机打印箱单标签，杜绝人为贴错标签的风险。
作为独立负责人，我采用Vibe Coding的高效开发模式，快速迭代并落地了这套高可用系统：
1. 技术架构
前端交互层：使用 Vue3 + TypeScript 构建工控触摸屏界面，针对车间环境优化了UI的大字体与高对比度设计，确保工人在强光下也能清晰操作。
后端服务层：采用 Go (Golang) 编写高性能后端服务，处理高并发的图像流数据与PLC信号交互，保证系统7x24小时稳定运行不宕机。
AI推理引擎：基于 PyTorch 训练定制化YOLOv8模型，并通过 TensorRT 进行边缘端加速，实现在本地工控机（NVIDIA Jetson系列）上的毫秒级推理。
2. 关键难点攻克
小样本学习：针对新车型零件样本少的问题，引入了数据增强与迁移学习策略，仅需少量图片即可快速上线新SKU识别。
复杂光照适应：设计了自适应图像预处理算法，解决了车间灯光变化、反光金属件导致的识别率波动问题。
断网容灾机制：设计了本地缓存队列，即使工厂网络波动，系统也能离线运行并记录数据，待网络恢复后自动同步至MES系统。
评论