基于視覺算法的汽車動力總成檢驗系統研究

廣告 | 點擊查看

摘要：本研究構建了一種基于視覺算法的智能檢驗系統，借助機械臂、相機、補充光源等設備進行圖像采集，融合深度學習模型，實現大眾汽車總裝工廠環境中的動力總成無人化檢驗。系統提升了汽車生產數智化水平，降低了因人為干預導致的質量風險，從而使得生產效率大幅提高、檢驗錯誤率顯著下降。該研究成果對推動汽車工業智能化，以及助力汽車企業成本優化有重要意義，具有廣泛的推廣價值。

關鍵詞：動力總成智能檢驗；圖像采集；深度學習模型；汽車工業數智化

作者：張寶鈺 張華 金軼 龍玉峰 鄭偉 郭亞濤

一汽物流（天津）公司

一

引言

在汽車工業迅猛發展的當下，智能化已然成為行業發展的核心驅動力。隨著汽車產量持續攀升以及消費者對汽車質量和性能要求的日益嚴苛，傳統人工檢驗方式在面對發動機變速箱等關鍵汽車動力總成零部件時，逐漸暴露出主觀性強、效率低下以及漏檢、誤檢頻發等諸多弊端。

發動機和變速箱作為汽車動力總成的核心部件，其質量直接關乎汽車的整體性能、安全性以及可靠性。一旦存在缺陷的發動機變速箱流入市場，不僅可能引發汽車在行駛過程中的故障，影響用戶的駕駛體驗，嚴重時甚至會危及駕乘人員的生命安全。

本文基于圖像識別模型MobileNetV3和缺陷定位框架PaDiM，提出了一種動力總成視覺檢驗方案，在83分鐘內連續完成了200個發動機和200個變速箱的檢驗，顯著提高了檢驗的精度與效率，有效降低了企業生產成本，也為汽車物流行業提供了入廠檢驗智能化、自動化的實踐參考。

二

基于視覺算法的汽車動力總成檢驗系統解決方案

1.動力總成視覺檢驗技術

（1）數據采集方案

為實現對發動機與變速箱的全面精準檢驗，本研究采用了多模態數據采集方案。該方案以機械臂為核心載體，搭載工業相機與補充光源，通過精心規劃機械臂的運動軌跡，實現對發動機變速箱360°無死角掃描拍攝。機械臂具備高度靈活性和精確運動控制能力，可根據預設的程序和算法，在三維空間中自由移動，調整至最佳拍攝角度，確保相機清晰捕捉到發動機與變速箱的各部位圖像信息，并將拍攝的多點位圖像儲存至數據中心模塊，實現數據采集，如圖1所示。

圖1 數據采集方案

在實際應用中，為進一步提高圖像采集的質量，補充光源采用高均勻性LED陣列。發動機與變速箱的零部件多為金屬材質，表面光滑易產生反光現象，會嚴重干擾圖像的采集和后續分析。高均勻性LED陣列可提供穩定均勻的光照，避免出現局部過亮或過暗，使相機能夠獲取清晰、準確的圖像，為后續檢驗分析提供可靠的數據基礎。

（2）深度學習算法框架

在缺陷類型識別方面，使用MobileNetV3架構[1]，高效提取發動機圖像特征，對發動機整體狀態或特定部件進行分類，判斷其是否存在缺陷及缺陷類型。在保證一定精度的同時，顯著降低計算復雜度，非常適合在資源受限的邊緣計算設備上運行。

在缺陷信息識別方面，引入了PaDiM缺陷定位框架[2]。該框架基于單類學習思想，通過對正常樣本學習，建立正常狀態下的特征分布模型。在測試階段，將輸入圖像的特征與學習到的正常模型進行對比，從而精準地識別出圖像中的微小缺陷，并對缺陷的位置、大小等信息進行標注。這種基于異常檢驗的方法無需大量缺陷樣本進行訓練，有效解決了實際檢驗中缺陷樣本難獲取的問題，提高了檢驗系統的實用性和泛化能力。

2.項目流程及設備參數

（1）原檢驗流程

本項目基于大眾零部件部品物流業務，動力總成的運輸、檢驗、上線整體流程如圖2所示。在總裝車間動力總成排序區，叉車將零件運送至排序區后，作業人員分別對發動機、變速箱進行檢驗，隨后通過吊裝將零件轉移至AGV工裝車。整個檢驗環節需要6名工作人員。

圖2 動力總成作業原流程

檢驗人員憑借肉眼和簡單工具對零部件進行觀察和判斷，這種方式不僅效率極低，且易受檢驗人員主觀因素影響，檢驗精度難以保證。此外，長時間重復性工作易導致檢驗人員疲勞，進一步影響檢驗質量和效率，增加漏檢和誤檢風險。

（2）基于視覺算法的新流程

為提高檢驗質量和效率，采用“機械臂+相機+補充光源”的硬件組合，并借助先進的圖像識別模型構建視覺檢驗系統，以替代人工作業。優化后的動力總成作業新流程如圖3所示。

圖3 動力總成作業新流程

零件（發動機、變速箱）到貨后，卡車停靠卸貨位置，由叉車運送入庫。隨后，操作人員使用叉車將零件運至排序區域，進行人工排序作業。完成排序后，由AGV將其平穩地輸送至檢驗工位。檢驗工位配備有動力總成檢驗系統，該系統由機械臂、相機、補充光源組成，如圖4所示。當發動機、變速箱到達檢驗工位時，機械臂迅速響應，根據預先規劃好的拍攝方案動態地調整拍攝角度。調整過程中，機械臂通過與視覺系統的實時通信獲取發動機、變速箱的位置和姿態信息，確保相機能夠準確地對準各個檢驗點位。

圖4 基于視覺算法的動力總成檢驗系統

在機械臂調整拍攝角度的同時，補充光源也按照預設的參數提供穩定、均勻的光照，以消除金屬表面的反光，保證采集到的圖像清晰、準確。相機同步采集多視角圖像，并由高速數據傳輸接口實時傳輸至計算節點。計算節點配備高性能計算芯片和優化的算法框架，采用GPU加速技術，快速對采集到的圖像進行處理和分析[3]。動力總成檢驗系統能夠在50秒內完成2組發動機與變速箱的全檢工作，大大提高了檢驗效率。

（3）設備運行參數

動力總成檢驗系統所需的計算設備最低配置推薦為：具備32個運算核心的中央處理器（CPU）、64GB運行內存（RAM）、2TB存儲空間，以及NVIDIA GeForce RTX 3080 級別或更高性能的圖形處理器（GPU）。

三

基于視覺算法的汽車動力總成檢驗系統應用效果

為測試動力總成檢驗系統的效果，制作包含合格發動機170例，有缺陷發動機30例、合格變速箱134例，有缺陷變速箱66例的缺陷檢驗數據集。檢驗系統在5000秒的時間內識別出170例合格發動機、30例有缺陷發動機，133例合格變速箱、67例有缺陷變速箱。參見表1。

表1 預測混淆矩陣

檢驗系統的查準率為：

Precision=TP/(TP+FP)=96/(96+1)=99%

查全率為：

Recall=TP/(TP+FN)=96/(96+0)=100%

動力總成檢驗系統完成測試后，投入實際生產過程中。針對單班次408組新到貨發動機和變速箱進行實際檢驗，共發現1個發動機存在缺陷，407個發動機和408個變速箱合格，連續累計作業用時2小時48分鐘。經現場質量工程師驗證，動力總成檢驗系統的檢驗正確率為100%，滿足實際生產檢驗要求。

1.提升生產環節數智化水平

基于視覺算法的檢驗系統，引入先進的AI深度學習模型以及機械臂、相機和補充光源等自動化硬件設備，改變了傳統的人工檢驗模式。在生產流程中，從發動機和變速箱的檢驗、上線，各個環節均基本實現了自動化操作。例如，AGV運輸發動機至檢驗工位，機械臂依據預設程序精準調整相機位置和角度進行全方位拍攝，全過程無需人工干預，極大地減少了人為操作帶來的不確定性。同時，深度學習模型能夠自主學習和識別發動機和變速箱的各類特征與缺陷，具備自我優化和智能決策能力，推動汽車動力總成零部件檢驗進入數智化時代，有效提升了整個生產系統的智能化水平。

2. 大幅提升生產效率

該系統在實際應用中展現出了極高的檢驗速度。以傳統人工檢驗方式為例，選取8名熟練操作員工對一托（6臺）發動機和一托（5臺）變速箱進行現場檢驗，測試其檢驗的時間，其結果參見表2。

表2 8名員工檢驗結果

根據統計數據計算可得：每名員工檢驗完成6臺發動機平均需要138秒，完成5臺變速箱平均需要75秒。此外，實際生產過程中還需考慮人工疲勞導致的工作節奏放緩等因素。而本項目的視覺檢驗系統能夠在50秒內高效完成2臺發動機、2臺變速箱的檢驗工作，較人工檢驗（發動機138/6=23秒/臺，變速箱75/5=15秒/臺）效率提高34%，大大地提高了單位時間內的產出量，有效加快了生產節奏，使企業的生產效率得到了質的飛躍，為企業擴大產能提供了有力支持。

3.檢驗準確度高度穩定

傳統人工檢驗方式受檢驗人員主觀因素影響較大，不同檢驗人員的經驗水平、工作狀態以及對缺陷判斷標準的理解差異等，都可能導致檢驗結果出現偏差。本項目采用的先進視覺算法和深度學習模型，具有極高的準確性和穩定性。經實際生產驗證，在引入該系統后，檢驗錯誤率相較于人工檢驗大幅下降。本系統對于有無缺陷的查全率可接近100%，查準率可控制在99%左右，有效提高了產品質量，減少了因檢驗失誤導致的次品流入生產線或后續返工等問題。

4.企業生產成本有效優化

傳統人工檢驗需要大量專業檢驗人員，隨著勞動力成本不斷上升，已成為企業的一項沉重負擔。本項目實現無人化作業后，大幅減少了人工依賴（檢驗環節人工成本節約28.2萬元/年），企業無需再招聘和培訓檢驗人員，節省了人力成本支出。在設備維護成本方面，雖然系統前期投入包含了機械臂、相機、計算設備等硬件以及算法研發等費用（共55萬元），但從長期來看，這些設備的維護成本相對穩定且低于人工成本的持續增長。同時，由于檢驗錯誤率下降減少了次品帶來的原材料浪費、返工成本以及潛在的售后維修成本等。綜合各項因素，通過實施本項目，企業在動力總成零部件檢驗環節的成本得到了顯著優化，提升了企業的經濟效益和市場競爭力。

四

結論

本研究成功構建了基于視覺算法的動力總成智能檢驗系統，通過機械臂、相機與補充光源的組合采集方案，搭配先進AI深度學習模型，實現汽車動力總成零部件檢驗的無人化作業。該系統有效提升了生產流程的數智化水平，實現了各環節的自動銜接，減少了人為干預。生產效率實現顯著提升，檢驗錯誤率大幅下降，有效保障了產品質量。同時，企業成本得以優化，人力及次品相關成本得到優化，綜合效益顯著。此研究為汽車制造行業動力總成零部件檢驗提供了創新、高效且可靠的解決方案，有力推動汽車工業向數智化邁進，具有廣泛的應用前景與推廣價值。

參考文獻:

[1]Howard A,Sandler M,Chen B,et al.Searching for MobileNetV3[C]//2019 IEEE/CVF International Conference on Computer Vision (ICCV).IEEE,2020.

[2]Defard T,Setkov A,Loesch A,et al.PaDiM:A Patch Distribution Modeling Framework for Anomaly Detection and Localization[C]//Pattern Recognition.ICPR International Workshops and Challenges,Virtual Event,January 10–15, 2021,Proceedings,Part IV.2021.

[3]秦智翔,楊洪偉,郝萌,等.隱私計算環境下深度學習的GPU加速技術綜述[J].信息安全研究, 2024,10(7):586-593.

———— 物流技術與應用融媒 ————

編輯、排版：王茜

本文內容源自

歡迎文末分享、點贊、在看！轉載請聯系后臺。

廣告宣傳