在装配企业智能化转型进程中,以人为中心的装配模式仍占据重要地位。然而人在带来灵活性和经验性的同时也引入了不确定性,为了准确评估人在装配活动中带来的价值及不确定性带来的成本,往往引入工时测定技术。传统工时测定方法往往存在测时周期长、人力成本高、工时体系更新慢、经验导向性强等问题。针对这些问题,提出了基于机器视觉的单工序和多工序重复装配任务工时测定方法,主要内容如下:首先,明确了重复装配生产任务中的两个重要对象——人和物料,并基于此对视频信息进行提取。基于OpenPose算法完成了对视频中人体骨骼数据的获取,经过人员筛选、中值滤波、坐标变化、归一化等处理后,构建了深度自编码器,对骨骼信息中的冗余信息进行剔除,完成骨骼信息的降维表示。随后利用YOLOv5算法对物料数据进行提取,发现了物料信息变化的周期性,据此完成物料信息的有效表示。其次,针对单工序重复装配任务工时测定,研究选用了TICC方法对多维骨骼信息进行聚类,分为开始、加工和结束三类,完成重复视频的初步分割。针对结果中的异常值,引入物料信息进行修正计算,得到最终重复视频的分割结果。随后以切分后的视频工序为待观测作业,选出是个候选标准作业,基于DTW算法从中选择出最优标准作业。以最优标准作业为对象,与所有待观测作业进行相似度对比分析,得到个人宽放和延迟宽放两项测定参数,再通过EMD算法对剔除异常后的观测工时数据分解,得到趋势变化项及随机扰动项。利用趋势变化项得到综合能力指数,利用随机扰动项得到评比系数。在四个测定参数基础之上提出了该类场景下基于机器视觉的标准工时计算方法。再次,针对多工序重复装配任务的工时测定,首先人工定义所有模板工序,并利用物料信息的状态对每一工序进行表示,进而完成模板工序在重复视频中位置的粗定位。随后基于双DTW模型,利用骨骼信息的相似度对不同工序间的切割点进行有限区域选择。最后,参照单工序的测定参数对个人宽放及延迟宽放进行了符合该场景条件的定义,并提出了多工序重复装配任务标准工时计算方法。最后,针对两种场景,分别录制相关的实验操作视频并进行工时测算,实验表明,其分割结果良好,且参数确定及标准工时的计算结果与传统方法相近。进一步验证了该方法的可行性和合理性。该论文有图52幅,表14个,参考文献128篇。