SOP 检测实操手记：
AI 视觉大模型从架相机到上线的完整六步
以一个真实的 AC 盒包装工位为例，把相机、标注、工作流、状态机这几步大体怎么走，讲清楚、演给你看。
项目简介：一个 AC 盒包装工位的 SOP 监控
整个落地过程就六步，这也是本文主线：
第一步：架相机，拍清楚是前提
图像拍不好，再强的模型也只能猜。这一步就一件事：让画面清晰、稳定、看得见整个工位。
| 做什么 | 怎么做 |
|---|---|
| 机位 | 4 个相机吊在工位上方 2–3 米，俯拍台面，双手活动区和物料位全覆盖 |
| 清晰 | 对焦到台面后锁定，快门调快（≥1/120s），手动起来不拖影 |
| 稳定 | 曝光、白平衡测定后锁定，灯光波动画面也不闪 |
| 流畅 | 30 FPS + H.265 编码，动作不丢帧，4 路并发不卡网 |
调完别急着收工——让操作员真实做一遍，回放确认不拖影、不反光、不遮挡，才算过关。
第二步：标样本，告诉 AI 看什么
视觉大模型提前"见过"1 亿+ 工业图，现场只需用 1–10 张样本图告诉它要看什么。
新建任务
填个任务名，行业选"工业制造"，模型类型选"物体检测"。
截图上传
每个要检测的东西（内衬、主机、配件、说明书……）从相机画面截 1–10 张，不同角度、不同光线各来一点。
框一框、划个区
智能标注自动框选，手动微调；再把台面划成检测区域，区域外的画面不参与检测，误报自然少。保存即可。
第三步：训模型，数分钟出结果
保存标注即开始训练，数分钟完成，不需要算法工程师驻场。训练完看两个数就够：
看指标
召回率（不能漏）和误报率（不能乱报）。SOP 场景宁可误报、不可漏报。本项目演示界面数据：准确率 98.7%、误报率 0.8%、召回率 99.2%。
定阈值
置信度阈值设 0.85——模型"没把握"的结果不算数，只进日志。不合适就在现场边跑边调。
应用模型
点"应用深度分析模型"，模型随时可以被拖进工作流使用，后续还能结合现场数据持续提升。
第四步：搭流程，算子拖一连就通
模型是"眼睛"，工作流是"神经"。把算子从库里拖出来、按顺序连上线，不写一行代码：
连好后点"校验"、再点"发布"，流程即刻生效，产线不用停。明天要改流程？拖一拖、重新发布就行。
第五步：配状态机，把 7 步 SOP 画进系统
工作流管"每一帧对不对"，状态机管"整个流程对不对"。7 步 SOP 就是 7 个状态，每步挂一个"事件探测"：动作做到了，才许跳下一步。
再配三条异常规则，SOP 监控的价值就在这三条上：
调试也省事：点一下状态卡片就能切换检测状态，不用等操作员真做一遍，几分钟验证完全部规则——下面视频里就有演示。
第六步：上线跑，异常当场就报
发布即上线。这段 49 秒实拍录屏，就是工位跑起来的真实样子：左边实时监控，右边 7 步状态随作业翻绿，中间演示了点卡片切换状态。
出异常怎么办？发生的当下就弹窗：异常类型、置信度、哪个工位哪个人，一键直达实时画面，处理完形成记录，结果随工单上传 MES——有据可查。
复盘：这套流程凭什么能复制
拖拉拽——改流程不等程序员
算子拖一拖、卡片点一点，当天改当天用，产线不停。
一拖多——一台智能体拖几十路相机
工位只留看板，算力集中在边缘智能体。某高速产线项目中，一台智能体驱动 80 台 4K 相机、覆盖 16 条产线，单台检测成本降约 70%。
通用泛化——换场景照样能看
同一个底座，换场景 1–10 张样本图、数分钟配置。已跑过这些行业：
一台视觉智能体，就是产线上的"数字质检员"：看得懂每一步动作，管得住整个 SOP 流程，一台拖得起几十路相机，换个新场景——几张样本图、数分钟，又能上岗。