汽车行业AI视觉检测（上）：创新驱动品质提升

作为资金和技术双重密集型的现代化产业，汽车行业历经百余载的发展，已渐渐构筑起一条宏伟的产业链，成为世界上最大规模和最高产值的产业之一。

数据显示，2023年，我国汽车产业以年产3016.1万辆、销售3009.4万辆的辉煌成绩，连续15年稳坐全球汽车产业的头把交椅，彰显出强大的产业实力和蓬勃的发展活力。汽车行业不仅是国民经济的重要驱动力，更是人们出行方式不断进化的关键支撑。而且，随着智能制造技术的深入推进，汽车生产的自动化与智能化转型已成为不可阻挡的趋势。

而在汽车制造的复杂流程中，质量检测至关重要。传统的检测方法在面对日益多样化的汽车零部件和不断更新的设计制造技术时，逐渐暴露出诸多局限性，AI视觉检测技术的出现，为汽车行业带来了全新的检测理念和高效的解决方案。

汽车行业进行视觉检测的现有难点及升级AI的困局01

复杂背景下的检测挑战

汽车零部件的结构复杂，背景多样，传统算法在处理这些复杂背景时往往面临较大的挑战。

例如，发动机缸体在铸造过程中可能产生的砂眼、裂纹等细小缺陷，这些缺陷用肉眼很难观察到，传统的触摸检测和超声波检测也无法进行全面的检测和评估；而在轮胎检测中，其表面的复杂纹理和颜色变化会影响检测；在汽车外观漆面检测中，车身结构复杂、角度多样以及人员检测标准不同等，都容易导致缺陷产品流入后续工序。

02

多变的缺陷类型

汽车零部件在生产过程中可能出现多种类型的缺陷，如绝缘纸卷入、绝缘纸破损、端板破损、铜线偏位、磁材表面损伤、铜线损伤等。这些缺陷形态特征各异，传统的视觉检测方案难以兼顾所有类型的缺陷，尤其是在型号切换时效率较低。

03

数据标注与模型训练

AI视觉检测技术依赖于大量的标注数据进行模型训练，然而，获取高质量的标注数据是一个耗时耗力的过程，特别是在汽车零部件检测中，需要专业的技术人员进行细致的标注。此外，模型训练过程中还需要不断调整参数，以确保模型的准确性和鲁棒性。

04

系统集成与兼容性

将AI视觉检测系统集成到现有的生产线中，需要解决与现有设备和系统的兼容性问题。例如，智能相机需要与生产线的控制系统、数据库等进行无缝对接，以实现数据的实时传输和处理。此外，系统的稳定性和可靠性也是重要的考量因素。

05

成本与投入

引入AI视觉检测技术需要较大的初期投入，包括购买高性能的摄像头、计算设备和软件平台等。对于中小企业来说，这是一笔不小的开支。尽管长期来看，AI视觉检测能够显著提高生产效率和产品质量，但在短期内仍需克服资金压力。

06

技能要求与培训

AI视觉检测技术的应用需要专业的技能和知识，操作人员需要具备一定的编程能力和数据分析能力。对于现有的生产线工人来说，这可能是一个新的挑战。企业需要投入时间和资源对员工进行培训，以确保他们能够熟练操作新的检测设备。

基于行业现状，阿丘科技在汽车行业的 AI 视觉检测解决方案具有独特优势，其深度学习算法在处理复杂检测场景，适应不同车型和零部件的多样化检测需求，且在检测准确性、效率提升和人力成本降低等方面成效显著。

典型场景案例01

差速器螺栓涂胶质量检测：守护行车安全的重要防线

差速器是汽车传动系统中的一个重要部件，负责将动力从发动机传递到车轮，并允许左右车轮以不同的速度旋转，从而在转弯时保持车辆的平稳行驶。而差速器螺栓作为汽车变速箱中的关键部件，差速器螺栓涂胶是一种在汽车制造过程中重要的工艺步骤，即将特定的胶液均匀地涂抹在螺栓上，以增强螺栓与螺母之间的连接强度，防止因振动或冲击而导致的螺栓松动，从而有效保障汽车的行驶安全。

所以，涂胶质量会直接关系到行车安全，一旦螺栓出现缺胶或断胶等不良情况，在车辆行驶过程中，螺栓可能会逐渐松动甚至脱落，无疑是一颗随时可能引爆的 “安全炸弹”。

此前，某工厂采用传统算法的视觉传感器进行检测，虽然能够在一定程度上检测出缺胶问题，但对于断胶的检测效果却不尽人意，漏检现象严重，导致客户投诉频发。同时，传统算法在参数调节过程中繁琐复杂，严重干扰了正常生产秩序。

常见相关检测举例：

少胶检测：检查螺栓螺纹部分是否完全涂覆了胶水，确保没有未涂胶的区域

断胶检测：检查胶水是否有断裂或不连续的情况，确保胶水层的完整性和均匀性

厚度检测：测量胶水的厚度，确保其在规定的范围内，既不过薄也不过厚

固化检测：检查胶水是否完全固化，确保其具备足够的强度和粘接力

阿丘科技针对这一难题，精心打造了一套基于深度学习智能相机的检测方案。

采用阿丘科技的深度学习智能相机，其集成了成像、图像处理和通信功能于一体，结构小巧，仅需通过网络连接到PC端，即可迅速启动检测工作。该相机具备高精度的成像能力，能够清晰捕捉螺栓涂胶部位的细节信息。利用智能相机对螺栓进行分4次旋转拍摄，确保能够覆盖螺栓一周的涂胶区域，不放过任何一处可能存在缺陷的地方。

基于阿丘科技的AIDI检测算法，针对差速器螺栓涂胶可能出现的缺胶和断胶等不良情况，重点学习这些缺陷的特征。通过大量包含正常涂胶和各类缺陷涂胶的螺栓图像数据，让算法深入理解不同涂胶状态的特征模式。同时，运用数据增广工具扩增数据，例如对原始图像进行旋转、翻转、缩放等操作，增加数据的多样性，使算法能够更好地适应实际生产中螺栓涂胶的各种变化情况，有效提高缺陷的识别率。

阿丘科技的方案能够精准地检出任意位置的缺胶和断胶不良情况，并及时提示人工进行补胶操作，为汽车安全装上了一道坚固的防护锁，有效杜绝了因螺栓涂胶问题引发的客户质量投诉。从操作层面来看，简便易行，3天内即可完成上线部署，投入使用后检测稳定可靠，无需人工频繁干预。与传统检测方法相比，漏检率降至0%，过检率控制在0.1%以内，检测精度和稳定性实现了质的飞跃。

02

发动机装配检测：精密协作，确保发动机完美组装

汽车发动机堪称汽车的“心脏”，其装配过程涉及众多复杂的部件，对尺寸、形状和位置等参数的精度要求极高，且涵盖多个部件的组装与调试，以确保发动机能正常、高效运行。主要装配内容如：零部件清洗与预处理、曲轴飞轮组装、活塞连杆组装配、气缸盖及配气机构装配、润滑与冷却系统装配、进排气系统装配、发动机附件装配等。为保证发动机装配质量，装配过程中及装配完成后需进行关键检测，比如检测是否所有装配安装到位，以及各零部件的有无情况。

然而单纯依靠传统算法进行发动机装配检测，仍面临着以下挑战。

1、特征提取困难：难以全面且准确地提取复杂的特征，例如一些细微的缺陷、复杂的形状或纹理特征等。

2、对复杂环境适应性差：例如光照变化、物体遮挡和背景干扰等情况，可能导致检测准确性下降。

3、对特殊材质或复杂形状产品检测难度大：现有的算法和模型可能无法有效识别这些情况下的缺陷。

4、泛化能力较弱：对于不同类型的发动机或部件，可能需要大量的调整和重新设计算法，无法像深度学习那样较好地泛化到新的情况。

5、无法自动学习和适应新任务：需要大量的人工干预和重新编程来适应新的检测任务。

6、难以发现隐性问题：对于数据间的高阶、复杂关联的把握能力有限，可能无法发现一些隐性的质量问题。

基于种种现实挑战，某设备商与发动机厂商在依靠传统算法联合研发装配检测设备时，由于发动机型号繁多，每种型号的检测项目又各不相同，再加上复杂的背景干扰，开发工作困难重重，开发周期漫长，且检测结果的可靠性难以保证，无法为发动机制造厂提供有效的算法解决方案。

阿丘科技将AIDI各算法模块与传统算法巧妙融合，在检测过程中，利用AI技术发挥其强大的定位功能，迅速锁定部件位置。由传统算法基于颜色、位置等特征进行二次判定，二者相辅相成，共同应对复杂的检测环境。此外，阿丘科技还创新地设计了多个工位共用检测流程的方案，这一举措不仅简化了方案设计，还极大地便于项目实施，有效提高了生产效率。

此方案成功为发动机装配检测设备开发出完整的检测方案，助力检测系统顺利上线并实现批量部署，显著提升了产品良率，为发动机制造企业的生产质量提供了坚实保障。阿丘科技充分发挥了AI及传统算法各自的特色，有效解决了汽车装配检测中的复杂需求，推动发动机装配检测向智能化迈进了一大步。同时，减少了人工检测的比例，降低人力成本，提高了企业的生产效益和市场竞争力。