去年秋天，苏州一家做一次性医用穿刺器械的工厂被CFDA飞检发现问题——纸质追溯记录里，有几十件产品的装配批次号跟实际不符，还有一批的消毒记录压根没填。

不是工人不认真。一条线一天几千件产品，每个产品经过6个工位，每个工位要手工记录物料批次、操作人员、检验结果。一天下来就是上万条手写记录。漏几个、写错几个，太正常了。

老板说了一句话我印象很深：「我花钱搞了MES，但数据都靠人填，填到系统里已经是第三手信息了。源头就是错的，系统再贵也没用。」

这就是问题的本质——不是缺系统，是缺一个「源头可信的数据采集方式」。

一、现场情况摸底

这个厂的主要产品是一次性无菌穿刺包（包含穿刺针、导管、注射器等组件），每天产量约4000套。生产工艺是典型的流水线装配——3条组装线并行，每条线6个工位，从组件准备到最终封装。

这个「不能增加负担」的要求很关键——之前试过让工人在工位终端上扫码录入，结果效率下降，工人抵触。原因是手上戴着医用丁腈手套，触摸屏响应很差，扫码枪经常扫不上。最后一拍桌子，又改回了纸质。

二、方案设计

核心思路：用视觉自动识别替代手工录入，让工人该干什么干什么，数据采集在后台自动完成。

工位一：组件来料验证

每个组件来料包上印有DM码（Data Matrix Code，医疗器械行业标准编码，包含物料号和批号）。在工位上方装一台500万像素工业相机，工人只需把料包放到固定位置——相机自动读取DM码，跟MES下发的BOM清单比对。

镜头选了12mm定焦，配合红色环形光源。红色光对塑料托盘的穿透性好，DM码印刷在透明包装袋上也能稳定识别。

工位二/三/四：装配过程验证

这些工位是关键——每个装配步骤完成后，需要验证组件是否正确安装。比如穿刺针的护套是否到位、导管连接器的卡扣是否锁紧。

每个工位装一台800万像素工业相机，倾斜安装，视野覆盖装配区域。模型用的是YOLOv8n，在边缘AI网关上本地推理。检测目标：

每件产品在每个工位的检测结果（通过/NG/图片快照）都记录到本地数据库，关联产品序列号。

工位五：激光打标+UDI验证

装配完成后，在适配器上激光打标UDI码（符合GS1标准的Data Matrix）。打标后立即用相机回读，验证可读性。如果打标模糊、位置偏移或不可读，立即报警，产品返工。

工位六：终检+封包

封包前做最后一道视觉检查——确认所有组件到位、UDI码清晰、包装无破损。合格的产品自动流转到封包工位，同时MES系统生成完整的追溯记录。

数据流设计

边缘AI网关是核心。它负责：

选型思考：为什么选边缘网关而不是直接连MES？第一，6台相机的图像数据量太大，直接推MES扛不住；第二，推理需要在现场实时完成（每件产品在每个工位停留约8秒，推理必须在3秒内出结果）；第三，网络出问题时不能停线。

三、实施过程

第一周：样机测试

先拿一条线的一个工位做验证。在工位四（卡扣锁紧验证）装了一套样机，拍了500张样本照片做模型训练。第一版模型精度95%——看起来不错，但现场一跑发现不行。

什么问题？车间光照每两小时变化一次（上午北窗日光，下午西晒，阴天更明显），模型在这种光照变化下误报率飙升。加了数据增强（随机亮度变化、对比度调整）后重新训练，才稳定下来。

第二周-第三周：全线部署

一条线6个工位全部装完，花了大概一周。每台相机需要：安装支架、布网线（工业相机用GigE接口）、调整角度和焦距、配置光源亮度。

调试阶段暴露了一个之前没想到的问题：相机安装高度不一致导致产品在视野中位置有偏移。后来加做了统一的定位工装——每个工位焊接固定的相机支架，保证相机相对工作台的位置偏差不超过3mm。

模型训练花了更多时间。每条线有轻微差异（不同批次的组件公差不同），模型需要针对每条线微调。做法是先采集1000张正常品图片做基线，然后用300张各工位实际拍到的图片做微调。

第四周：UDI码赋码联调

激光打标机原来就有，但没和MES联动——工人打标内容自己手动输入。这次改成了系统自动下发UDI内容到打标机，打完后相机回读验证。

联调出了个Bug：打标机接到MES下发的UDI内容后，有一个约500ms的延迟才打标。相机触发早了，拍到的是空白区域，连续报了十几条「打标失败」。加了一个软触发延时后解决。

第五周：试运行

全线跑通后试运行了一周。第一天就发现一个问题：DM码解码成功率只有92%。排查下来是光源角度问题——原来的红色环形光源在透明包装袋上形成大面积反光，DM码区域一片白。

换成了红色同轴光源后，反光大幅减少，解码率提升到了98.5%。剩下的1.5%主要是包装袋褶皱导致DM码变形，这个后面通过增加码容错等级来改善。

四、实际效果

系统上线运行2个月后，我们跟工厂一起整理了数据：

追溯记录完整率：从约85%提升到约99.8%
纸质流转卡阶段漏填10%+错填5%，现在每个产品的6个工位检测结果自动生成、自动关联UDI码。漏记录几乎消失——除非相机本身故障。
MES数据滞后：从1-2天降到实时
以前是手工录入，晚1-2天。现在是每件产品在每个工位通过后的几秒内，追溯数据已经写入MES。飞检时可以当场调出任意批次的全部装配记录。
装配缺陷检出率明显提升
手工自检阶段，工人靠目视检查，疲劳状态下容易漏检。AI视觉稳定检出之前容易被忽略的缺陷——比如护套轻微错位、卡扣半锁状态。具体检出量不便说，但至少有一个价值是确定的：让飞检不再心慌。
误报率初期偏高，一个月后趋于稳定
第一周误报率约8%（主要是光照变化和产品摆放位置偏差），通过增加训练样本和定位工装后降到约2%。这个误报率在可接受范围内——操作工确认后放行，不影响效率。

五、遇到的问题和解决办法

坑1：丁腈手套的交互问题

前面提到过，这个厂以前试过扫码枪方案失败——就是手套问题。我们没让工人操作任何设备，所有数据采集自动化。工人唯一的交互是：NG时蜂鸣器响，工人按一下确认键（一个物理按键，不需要触摸屏）。

坑2：DM码在弧面包装上的解码困难

穿刺针的包装袋是圆柱形的，DM码印在弧面上，相机拍出来存在几何畸变。试了几种方案：多角度相机（成本太高）、深度学习解码（需要大量标注数据）。的解决方案是调整码的印刷位置——从弧面中央移到靠近封边处的平面区域。印刷位置调整后，解码率从78%直接跳到了96%。

坑3：相机散热和洁净室冲突

这个厂的组装车间是十万级洁净室，夏天温度28度左右。工业相机长时间运行发热，外壳温度到了55度。虽然不影响功能，但药监局审计时可能被质疑「热源对产品的影响」。加装了小型散热片和风扇，把温度降到了38度。

坑4：MES写入偶尔失败导致数据丢失

MES系统偶尔会返回500错误（高峰期并发写入导致）。前期没做重试机制，导致少量追溯记录丢失。后来在边缘网关上加了本地队列+3次重试+死信告警，写入失败时本地数据不删除，运维人员确认MES恢复后触发补传。

六、个人的思考

这个项目做完后，我对医疗器械行业的数字化有这么几个感受：

合规是刚需，比「降本增效」更敏感。大部分工厂对数字化的态度是「有用但非必须」，但医疗器械行业不一样——上一个批次UDI追溯记录不全，被飞检查到就是停产。这种场景下，只要能解决合规问题，客户愿意买单。

「源头可信」比「系统功能多」重要得多。这家工厂之前已经在MES上花了钱，但没用起来，原因就是数据入口不可信。再强大的MES、再贵的ERP，如果数据靠人填，就是垃圾进垃圾出。自动采集——哪怕是只解决一个关键参数——也比填100个字段有价值。

医疗器械行业的门槛是「理解GMP，不只是懂技术」。方案设计时，不只是考虑相机型号、模型精度——还要考虑洁净室要求、合规审计、灭菌验证、UDI编码规范。如果不懂这些，方案再漂亮，客户也不敢用。

边缘计算在这里不是选项，是必须。实时性要求（3秒内出结果）、数据量（6台相机同时跑推理）、可靠性要求（断网不能停线）——任何一个条件都决定了必须本地处理。这是我做过的对边缘网关要求比较高的项目之一。

七、给你的建议

如果你也在医疗器械工厂做类似的追溯项目，几点实在的建议：

  1. 先解决「数据从哪来」，再考虑「数据去哪」。MES的功能可以先放一放，把产线数据自动采集这一关过了，后面都好办
  2. 从一条线一个工位试点。别上来推6个工位3条线的全方案。先搞定一个工位的视觉验证，跑通数据链路再扩展
  3. 一定要做冗余设计。医疗行业的审计要求很高——数据不能丢、不能改。边缘网关的本地存储+重试机制+不可篡改日志是标配
  4. 不要低估光照问题。洁净车间的灯光布局和你想象的不一样——一般是顶部灯管均匀照明，亮度偏低。工业相机需要自备光源，并且要考虑光源是否发热影响洁净室温度
  5. 跟质量部的人多聊，不要只跟IT聊。懂GMP的人才知道真正要追溯什么——物料批号、灭菌批号、有效期、操作人员、设备编号。IT部门定义的需求通常不够完整
  6. UDI编码规则要提前确认。不同产品等级的UDI要求不一样（I类/II类/III类），打标内容、码制、位置都有具体要求。这个必须在设备进场前跟注册法规部门确认清楚