在傳統預制構件生產線中，布料工序依賴人工肉眼判斷，導致布料均勻性難控、 生產效率低下、材料浪費與返工成本高昂，嚴重制約了建筑工業化的提質增效。為應 對這一挑戰，產線亟需一套能夠替代人眼、實現“準確、自動、實時”布料作業的智能 化解決方案。由此，項目創新性地采用“AI視覺+邊緣計算+實時控制”的輕量化技改思 路，通過工業相機與輕量化YOLO模型實時識別定位模具，并直接驅動布料設備執行 高精度作業，形成了從視覺感知到自動執行的智能閉環。

· 技術路線

AI視覺景能PC 構件智能工廣準確布料與質量管控技術路線總覽圖

高魯棒性視覺識別技術

采用經過深度優化的YOLO 系列算法，在復雜光照、粉塵及部分遮擋的工業環境 下，實現對角鋼模等模具高達90%以上的識別率，以及對無鋼筋模具的準確識別。

邊緣計算與實時推理

將算法模型部署于產線邊緣計算設備，實現對視頻流的本地化實時處理與推理， 確保識別與反饋延遲低至毫秒J，滿足高速產線的實時性要求。

工業系統無縫集成

通過標準http 協議與工廠現有MES、PLC系統深度集成，確保AI指令能夠安全、 可靠地驅動物理設備，實現“IT-OT”融合。

· 關鍵創新點

“感知-決策-控制”一體化主動作業范式

突破傳統視覺檢測僅用于“看”和“報警”的被動模式，將AI視覺識別結果直接轉換為 控制指令，驅動執行機構完成準確作業，實現了從“輔助檢測”到“主動控制”的能力躍 遷 。

輕量化部署與柔性適配

方案無需對現有產線進行大規模機械改造或高精度標定，主要依靠軟件算法升J 和加裝通用視覺硬件，具備部署周期短、投資門檻低、可快速復制推廣的突出優勢。

· 量化指標

技術指標

角鋼模具識別率≥95%,模具缺口識別率≥93%,模具定位精度控制在50mm以內。在標準9m×3.5m 模臺的復雜場景下，系統單次識別與處理時間不超過500ms, 滿足產線高速節拍要求。

行業影響

累計申請發明專利6項，發表高水平學術論文8篇，登記軟件著作權3項。其創新 性與應用價值榮獲“2024年度出色工程師大賽優秀成果轉化獎”,彰顯了技術L先 性與產業影響力。

· 推廣案例

該應用基于YOLO 視覺智能技術，在三一筑工成功實現全自動、高精度布料作 業，單模施工時間縮短30%,構件返工率下降70%,同時顯著降低原材料消耗。項目 不僅提升了生產效率與智能化水平，更驗證了AI技術在工業場景中驅動提質增效與綠 色制造的核心價值，為智能建造提供了可復制的實踐范例。