廣告 | 點擊查看

摘要：本研究構(gòu)建了一種基于視覺算法的智能檢驗系統(tǒng)，借助機械臂、相機、補充光源等設(shè)備進行圖像采集，融合深度學(xué)習(xí)模型，實現(xiàn)大眾汽車總裝工廠環(huán)境中的動力總成無人化檢驗。系統(tǒng)提升了汽車生產(chǎn)數(shù)智化水平，降低了因人為干預(yù)導(dǎo)致的質(zhì)量風(fēng)險，從而使得生產(chǎn)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(yè)智能化，以及助力汽車企業(yè)成本優(yōu)化有重要意義，具有廣泛的推廣價值。

關(guān)鍵詞：動力總成智能檢驗；圖像采集；深度學(xué)習(xí)模型；汽車工業(yè)數(shù)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(yè)迅猛發(fā)展的當(dāng)下，智能化已然成為行業(yè)發(fā)展的核心驅(qū)動力。隨著汽車產(chǎn)量持續(xù)攀升以及消費者對汽車質(zhì)量和性能要求的日益嚴(yán)苛，傳統(tǒng)人工檢驗方式在面對發(fā)動機變速箱等關(guān)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(fā)等諸多弊端。

發(fā)動機和變速箱作為汽車動力總成的核心部件，其質(zhì)量直接關(guān)乎汽車的整體性能、安全性以及可靠性。一旦存在缺陷的發(fā)動機變速箱流入市場，不僅可能引發(fā)汽車在行駛過程中的故障，影響用戶的駕駛體驗，嚴(yán)重時甚至?xí)＜榜{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(nèi)連續(xù)完成了200個發(fā)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(yè)生產(chǎn)成本，也為汽車物流行業(yè)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(tǒng)解決方案

1.動力總成視覺檢驗技術(shù)

（1）數(shù)據(jù)采集方案

為實現(xiàn)對發(fā)動機與變速箱的全面精準(zhǔn)檢驗，本研究采用了多模態(tài)數(shù)據(jù)采集方案。該方案以機械臂為核心載體，搭載工業(yè)相機與補充光源，通過精心規(guī)劃機械臂的運動軌跡，實現(xiàn)對發(fā)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(jù)預(yù)設(shè)的程序和算法，在三維空間中自由移動，調(diào)整至最佳拍攝角度，確保相機清晰捕捉到發(fā)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(shù)據(jù)中心模塊，實現(xiàn)數(shù)據(jù)采集，如圖1所示。

圖1 數(shù)據(jù)采集方案

在實際應(yīng)用中，為進一步提高圖像采集的質(zhì)量，補充光源采用高均勻性LED陣列。發(fā)動機與變速箱的零部件多為金屬材質(zhì)，表面光滑易產(chǎn)生反光現(xiàn)象，會嚴(yán)重干擾圖像的采集和后續(xù)分析。高均勻性LED陣列可提供穩(wěn)定均勻的光照，避免出現(xiàn)局部過亮或過暗，使相機能夠獲取清晰、準(zhǔn)確的圖像，為后續(xù)檢驗分析提供可靠的數(shù)據(jù)基礎(chǔ)。

（2）深度學(xué)習(xí)算法框架

在缺陷類型識別方面，使用MobileNetV3架構(gòu)[1]，高效提取發(fā)動機圖像特征，對發(fā)動機整體狀態(tài)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(fù)雜度，非常適合在資源受限的邊緣計算設(shè)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(xué)習(xí)思想，通過對正常樣本學(xué)習(xí)，建立正常狀態(tài)下的特征分布模型。在測試階段，將輸入圖像的特征與學(xué)習(xí)到的正常模型進行對比，從而精準(zhǔn)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(biāo)注。這種基于異常檢驗的方法無需大量缺陷樣本進行訓(xùn)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(tǒng)的實用性和泛化能力。

2.項目流程及設(shè)備參數(shù)

（1）原檢驗流程

本項目基于大眾零部件部品物流業(yè)務(wù)，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(qū)，叉車將零件運送至排序區(qū)后，作業(yè)人員分別對發(fā)動機、變速箱進行檢驗，隨后通過吊裝將零件轉(zhuǎn)移至AGV工裝車。整個檢驗環(huán)節(jié)需要6名工作人員。

圖2 動力總成作業(yè)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(fù)性工作易導(dǎo)致檢驗人員疲勞，進一步影響檢驗質(zhì)量和效率，增加漏檢和誤檢風(fēng)險。

（2）基于視覺算法的新流程

為提高檢驗質(zhì)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(gòu)建視覺檢驗系統(tǒng)，以替代人工作業(yè)。優(yōu)化后的動力總成作業(yè)新流程如圖3所示。

圖3 動力總成作業(yè)新流程

零件（發(fā)動機、變速箱）到貨后，卡車?？啃敦浳恢茫刹孳囘\送入庫。隨后，操作人員使用叉車將零件運至排序區(qū)域，進行人工排序作業(yè)。完成排序后，由AGV將其平穩(wěn)地輸送至檢驗工位。檢驗工位配備有動力總成檢驗系統(tǒng)，該系統(tǒng)由機械臂、相機、補充光源組成，如圖4所示。當(dāng)發(fā)動機、變速箱到達檢驗工位時，機械臂迅速響應(yīng)，根據(jù)預(yù)先規(guī)劃好的拍攝方案動態(tài)地調(diào)整拍攝角度。調(diào)整過程中，機械臂通過與視覺系統(tǒng)的實時通信獲取發(fā)動機、變速箱的位置和姿態(tài)信息，確保相機能夠準(zhǔn)確地對準(zhǔn)各個檢驗點位。

圖4 基于視覺算法的動力總成檢驗系統(tǒng)

在機械臂調(diào)整拍攝角度的同時，補充光源也按照預(yù)設(shè)的參數(shù)提供穩(wěn)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(zhǔn)確。相機同步采集多視角圖像，并由高速數(shù)據(jù)傳輸接口實時傳輸至計算節(jié)點。計算節(jié)點配備高性能計算芯片和優(yōu)化的算法框架，采用GPU加速技術(shù)，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(tǒng)能夠在50秒內(nèi)完成2組發(fā)動機與變速箱的全檢工作，大大提高了檢驗效率。

（3）設(shè)備運行參數(shù)

動力總成檢驗系統(tǒng)所需的計算設(shè)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(nèi)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(tǒng)應(yīng)用效果

為測試動力總成檢驗系統(tǒng)的效果，制作包含合格發(fā)動機170例，有缺陷發(fā)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(shù)據(jù)集。檢驗系統(tǒng)在5000秒的時間內(nèi)識別出170例合格發(fā)動機、30例有缺陷發(fā)動機，133例合格變速箱、67例有缺陷變速箱。參見表1。

表1 預(yù)測混淆矩陣

檢驗系統(tǒng)的查準(zhǔn)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(tǒng)完成測試后，投入實際生產(chǎn)過程中。針對單班次408組新到貨發(fā)動機和變速箱進行實際檢驗，共發(fā)現(xiàn)1個發(fā)動機存在缺陷，407個發(fā)動機和408個變速箱合格，連續(xù)累計作業(yè)用時2小時48分鐘。經(jīng)現(xiàn)場質(zhì)量工程師驗證，動力總成檢驗系統(tǒng)的檢驗正確率為100%，滿足實際生產(chǎn)檢驗要求。

1.提升生產(chǎn)環(huán)節(jié)數(shù)智化水平

基于視覺算法的檢驗系統(tǒng)，引入先進的AI深度學(xué)習(xí)模型以及機械臂、相機和補充光源等自動化硬件設(shè)備，改變了傳統(tǒng)的人工檢驗?zāi)Ｊ健Ｔ谏a(chǎn)流程中，從發(fā)動機和變速箱的檢驗、上線，各個環(huán)節(jié)均基本實現(xiàn)了自動化操作。例如，AGV運輸發(fā)動機至檢驗工位，機械臂依據(jù)預(yù)設(shè)程序精準(zhǔn)調(diào)整相機位置和角度進行全方位拍攝，全過程無需人工干預(yù)，極大地減少了人為操作帶來的不確定性。同時，深度學(xué)習(xí)模型能夠自主學(xué)習(xí)和識別發(fā)動機和變速箱的各類特征與缺陷，具備自我優(yōu)化和智能決策能力，推動汽車動力總成零部件檢驗進入數(shù)智化時代，有效提升了整個生產(chǎn)系統(tǒng)的智能化水平。

2. 大幅提升生產(chǎn)效率

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

表2 8名員工檢驗結(jié)果

根據(jù)統(tǒng)計數(shù)據(jù)計算可得：每名員工檢驗完成6臺發(fā)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(chǎn)過程中還需考慮人工疲勞導(dǎo)致的工作節(jié)奏放緩等因素。而本項目的視覺檢驗系統(tǒng)能夠在50秒內(nèi)高效完成2臺發(fā)動機、2臺變速箱的檢驗工作，較人工檢驗（發(fā)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(nèi)的產(chǎn)出量，有效加快了生產(chǎn)節(jié)奏，使企業(yè)的生產(chǎn)效率得到了質(zhì)的飛躍，為企業(yè)擴大產(chǎn)能提供了有力支持。

3.檢驗準(zhǔn)確度高度穩(wěn)定

傳統(tǒng)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(jīng)驗水平、工作狀態(tài)以及對缺陷判斷標(biāo)準(zhǔn)的理解差異等，都可能導(dǎo)致檢驗結(jié)果出現(xiàn)偏差。本項目采用的先進視覺算法和深度學(xué)習(xí)模型，具有極高的準(zhǔn)確性和穩(wěn)定性。經(jīng)實際生產(chǎn)驗證，在引入該系統(tǒng)后，檢驗錯誤率相較于人工檢驗大幅下降。本系統(tǒng)對于有無缺陷的查全率可接近100%，查準(zhǔn)率可控制在99%左右，有效提高了產(chǎn)品質(zhì)量，減少了因檢驗失誤導(dǎo)致的次品流入生產(chǎn)線或后續(xù)返工等問題。

4.企業(yè)生產(chǎn)成本有效優(yōu)化

傳統(tǒng)人工檢驗需要大量專業(yè)檢驗人員，隨著勞動力成本不斷上升，已成為企業(yè)的一項沉重負(fù)擔(dān)。本項目實現(xiàn)無人化作業(yè)后，大幅減少了人工依賴（檢驗環(huán)節(jié)人工成本節(jié)約28.2萬元/年），企業(yè)無需再招聘和培訓(xùn)檢驗人員，節(jié)省了人力成本支出。在設(shè)備維護成本方面，雖然系統(tǒng)前期投入包含了機械臂、相機、計算設(shè)備等硬件以及算法研發(fā)等費用（共55萬元），但從長期來看，這些設(shè)備的維護成本相對穩(wěn)定且低于人工成本的持續(xù)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(yè)在動力總成零部件檢驗環(huán)節(jié)的成本得到了顯著優(yōu)化，提升了企業(yè)的經(jīng)濟效益和市場競爭力。

四

結(jié)論

本研究成功構(gòu)建了基于視覺算法的動力總成智能檢驗系統(tǒng)，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(xué)習(xí)模型，實現(xiàn)汽車動力總成零部件檢驗的無人化作業(yè)。該系統(tǒng)有效提升了生產(chǎn)流程的數(shù)智化水平，實現(xiàn)了各環(huán)節(jié)的自動銜接，減少了人為干預(yù)。生產(chǎn)效率實現(xiàn)顯著提升，檢驗錯誤率大幅下降，有效保障了產(chǎn)品質(zhì)量。同時，企業(yè)成本得以優(yōu)化，人力及次品相關(guān)成本得到優(yōu)化，綜合效益顯著。此研究為汽車制造行業(yè)動力總成零部件檢驗提供了創(chuàng)新、高效且可靠的解決方案，有力推動汽車工業(yè)向數(shù)智化邁進，具有廣泛的應(yīng)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(huán)境下深度學(xué)習(xí)的GPU加速技術(shù)綜述[J].信息安全研究, 2024,10(7):586-593.

———— 物流技術(shù)與應(yīng)用融媒 ————

編輯、排版：王茜

本文內(nèi)容源自

歡迎文末分享、點贊、在看！轉(zhuǎn)載請聯(lián)系后臺。

廣告宣傳