工業裝配中的質量控制至關重要，即時監控裝配過程能夠有效防止代價高昂的缺陷並確保生產可靠性。基於視覺的自動化檢測為即時監控提供了強大的解決方案。然而，由於工業元件和流程的專業性，訓練檢測模型通常依賴特定任務的真實世界資料，資料收集和標註成本高昂且勞動密集。此外，真實資料的多樣性往往有限，難以涵蓋所有可能的裝配變異，這限制了模型的泛化能力。
在發表於arXiv的預印本論文“A Synthetic-Driven Vision System for Assembly Step Recognition”中，研究人員提出了一種創新系統，能夠自動生成逼真的裝配序列，並利用合成資料訓練即時檢測模型。該系統僅需CAD模型和簡單的步驟描述，即可在一小時內高效應用於給定任務，大幅降低了部署門檻。該系統由三個核心模組組成：基於物理的運動生成模組，用於模擬不同人類操作者的裝配動作變異性；域隨機化渲染模組，透過隨機改變光照、紋理和背景等因素，增強模型對複雜環境的魯棒性；以及基於目標檢測的步驟識別模組，實現從模擬到真實世界的穩健遷移。
在真實的工業裝配案例中，該系統達到了92.4%的準確率，相比基線方法分別實現了46.7%、15.8%和61.2%的效能提升。這些結果充分驗證了合成資料在工業視覺檢測中的實用價值。此外，該系統的快速部署能力使其特別適合多品種、小批次的生產場景，企業無需為每種新產品重新收集大量真實資料。
研究團隊強調，該系統的設計注重實際應用中的挑戰，例如不同工人裝配方式的差異、環境光照變化以及零部件遮擋等問題。透過物理運動生成捕捉人類裝配的多樣性，透過域隨機化渲染覆蓋環境變化，再結合強大的目標檢測網路，最終實現了工業級精度。該工作已被CASE 2026會議接收，為智慧製造領域提供了低成本、高效率的檢測解決方案。