廣告 | 點(diǎn)擊查看

摘要：本研究構(gòu)建了一種基于視覺(jué)算法的智能檢驗(yàn)系統(tǒng)，借助機(jī)械臂、相機(jī)、補(bǔ)充光源等設(shè)備進(jìn)行圖像采集，融合深度學(xué)習(xí)模型，實(shí)現(xiàn)大眾汽車總裝工廠環(huán)境中的動(dòng)力總成無(wú)人化檢驗(yàn)。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(xiǎn)，從而使得生產(chǎn)效率大幅提高、檢驗(yàn)錯(cuò)誤率顯著下降。該研究成果對(duì)推動(dòng)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(jià)值。

關(guān)鍵詞：動(dòng)力總成智能檢驗(yàn)；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(dòng)力。隨著汽車產(chǎn)量持續(xù)攀升以及消費(fèi)者對(duì)汽車質(zhì)量和性能要求的日益嚴(yán)苛，傳統(tǒng)人工檢驗(yàn)方式在面對(duì)發(fā)動(dòng)機(jī)變速箱等關(guān)鍵汽車動(dòng)力總成零部件時(shí)，逐漸暴露出主觀性強(qiáng)、效率低下以及漏檢、誤檢頻發(fā)等諸多弊端。

發(fā)動(dòng)機(jī)和變速箱作為汽車動(dòng)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(dòng)機(jī)變速箱流入市場(chǎng)，不僅可能引發(fā)汽車在行駛過(guò)程中的故障，影響用戶的駕駛體驗(yàn)，嚴(yán)重時(shí)甚至?xí)＜榜{乘人員的生命安全。

本文基于圖像識(shí)別模型MobileNetV3和缺陷定位框架PaDiM，提出了一種動(dòng)力總成視覺(jué)檢驗(yàn)方案，在83分鐘內(nèi)連續(xù)完成了200個(gè)發(fā)動(dòng)機(jī)和200個(gè)變速箱的檢驗(yàn)，顯著提高了檢驗(yàn)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(yàn)智能化、自動(dòng)化的實(shí)踐參考。

二

基于視覺(jué)算法的汽車動(dòng)力總成檢驗(yàn)系統(tǒng)解決方案

1.動(dòng)力總成視覺(jué)檢驗(yàn)技術(shù)

（1）數(shù)據(jù)采集方案

為實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)與變速箱的全面精準(zhǔn)檢驗(yàn)，本研究采用了多模態(tài)數(shù)據(jù)采集方案。該方案以機(jī)械臂為核心載體，搭載工業(yè)相機(jī)與補(bǔ)充光源，通過(guò)精心規(guī)劃?rùn)C(jī)械臂的運(yùn)動(dòng)軌跡，實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)變速箱360°無(wú)死角掃描拍攝。機(jī)械臂具備高度靈活性和精確運(yùn)動(dòng)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(dòng)，調(diào)整至最佳拍攝角度，確保相機(jī)清晰捕捉到發(fā)動(dòng)機(jī)與變速箱的各部位圖像信息，并將拍攝的多點(diǎn)位圖像儲(chǔ)存至數(shù)據(jù)中心模塊，實(shí)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(shí)際應(yīng)用中，為進(jìn)一步提高圖像采集的質(zhì)量，補(bǔ)充光源采用高均勻性LED陣列。發(fā)動(dòng)機(jī)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(huì)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(guò)亮或過(guò)暗，使相機(jī)能夠獲取清晰、準(zhǔn)確的圖像，為后續(xù)檢驗(yàn)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(shí)別方面，使用MobileNetV3架構(gòu)[1]，高效提取發(fā)動(dòng)機(jī)圖像特征，對(duì)發(fā)動(dòng)機(jī)整體狀態(tài)或特定部件進(jìn)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(shí)，顯著降低計(jì)算復(fù)雜度，非常適合在資源受限的邊緣計(jì)算設(shè)備上運(yùn)行。

在缺陷信息識(shí)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(guò)對(duì)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(cè)試階段，將輸入圖像的特征與學(xué)習(xí)到的正常模型進(jìn)行對(duì)比，從而精準(zhǔn)地識(shí)別出圖像中的微小缺陷，并對(duì)缺陷的位置、大小等信息進(jìn)行標(biāo)注。這種基于異常檢驗(yàn)的方法無(wú)需大量缺陷樣本進(jìn)行訓(xùn)練，有效解決了實(shí)際檢驗(yàn)中缺陷樣本難獲取的問(wèn)題，提高了檢驗(yàn)系統(tǒng)的實(shí)用性和泛化能力。

2.項(xiàng)目流程及設(shè)備參數(shù)

（1）原檢驗(yàn)流程

本項(xiàng)目基于大眾零部件部品物流業(yè)務(wù)，動(dòng)力總成的運(yùn)輸、檢驗(yàn)、上線整體流程如圖2所示。在總裝車間動(dòng)力總成排序區(qū)，叉車將零件運(yùn)送至排序區(qū)后，作業(yè)人員分別對(duì)發(fā)動(dòng)機(jī)、變速箱進(jìn)行檢驗(yàn)，隨后通過(guò)吊裝將零件轉(zhuǎn)移至AGV工裝車。整個(gè)檢驗(yàn)環(huán)節(jié)需要6名工作人員。

圖2 動(dòng)力總成作業(yè)原流程

檢驗(yàn)人員憑借肉眼和簡(jiǎn)單工具對(duì)零部件進(jìn)行觀察和判斷，這種方式不僅效率極低，且易受檢驗(yàn)人員主觀因素影響，檢驗(yàn)精度難以保證。此外，長(zhǎng)時(shí)間重復(fù)性工作易導(dǎo)致檢驗(yàn)人員疲勞，進(jìn)一步影響檢驗(yàn)質(zhì)量和效率，增加漏檢和誤檢風(fēng)險(xiǎn)。

（2）基于視覺(jué)算法的新流程

為提高檢驗(yàn)質(zhì)量和效率，采用“機(jī)械臂+相機(jī)+補(bǔ)充光源”的硬件組合，并借助先進(jìn)的圖像識(shí)別模型構(gòu)建視覺(jué)檢驗(yàn)系統(tǒng)，以替代人工作業(yè)。優(yōu)化后的動(dòng)力總成作業(yè)新流程如圖3所示。

圖3 動(dòng)力總成作業(yè)新流程

零件（發(fā)動(dòng)機(jī)、變速箱）到貨后，卡車?？啃敦浳恢?，由叉車運(yùn)送入庫(kù)。隨后，操作人員使用叉車將零件運(yùn)至排序區(qū)域，進(jìn)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(yàn)工位。檢驗(yàn)工位配備有動(dòng)力總成檢驗(yàn)系統(tǒng)，該系統(tǒng)由機(jī)械臂、相機(jī)、補(bǔ)充光源組成，如圖4所示。當(dāng)發(fā)動(dòng)機(jī)、變速箱到達(dá)檢驗(yàn)工位時(shí)，機(jī)械臂迅速響應(yīng)，根據(jù)預(yù)先規(guī)劃好的拍攝方案動(dòng)態(tài)地調(diào)整拍攝角度。調(diào)整過(guò)程中，機(jī)械臂通過(guò)與視覺(jué)系統(tǒng)的實(shí)時(shí)通信獲取發(fā)動(dòng)機(jī)、變速箱的位置和姿態(tài)信息，確保相機(jī)能夠準(zhǔn)確地對(duì)準(zhǔn)各個(gè)檢驗(yàn)點(diǎn)位。

圖4 基于視覺(jué)算法的動(dòng)力總成檢驗(yàn)系統(tǒng)

在機(jī)械臂調(diào)整拍攝角度的同時(shí)，補(bǔ)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(jī)同步采集多視角圖像，并由高速數(shù)據(jù)傳輸接口實(shí)時(shí)傳輸至計(jì)算節(jié)點(diǎn)。計(jì)算節(jié)點(diǎn)配備高性能計(jì)算芯片和優(yōu)化的算法框架，采用GPU加速技術(shù)，快速對(duì)采集到的圖像進(jìn)行處理和分析[3]。動(dòng)力總成檢驗(yàn)系統(tǒng)能夠在50秒內(nèi)完成2組發(fā)動(dòng)機(jī)與變速箱的全檢工作，大大提高了檢驗(yàn)效率。

（3）設(shè)備運(yùn)行參數(shù)

動(dòng)力總成檢驗(yàn)系統(tǒng)所需的計(jì)算設(shè)備最低配置推薦為：具備32個(gè)運(yùn)算核心的中央處理器（CPU）、64GB運(yùn)行內(nèi)存（RAM）、2TB存儲(chǔ)空間，以及NVIDIA GeForce RTX 3080 級(jí)別或更高性能的圖形處理器（GPU）。

三

基于視覺(jué)算法的汽車動(dòng)力總成檢驗(yàn)系統(tǒng)應(yīng)用效果

為測(cè)試動(dòng)力總成檢驗(yàn)系統(tǒng)的效果，制作包含合格發(fā)動(dòng)機(jī)170例，有缺陷發(fā)動(dòng)機(jī)30例、合格變速箱134例，有缺陷變速箱66例的缺陷檢驗(yàn)數(shù)據(jù)集。檢驗(yàn)系統(tǒng)在5000秒的時(shí)間內(nèi)識(shí)別出170例合格發(fā)動(dòng)機(jī)、30例有缺陷發(fā)動(dòng)機(jī)，133例合格變速箱、67例有缺陷變速箱。參見(jiàn)表1。

表1 預(yù)測(cè)混淆矩陣

檢驗(yàn)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(dòng)力總成檢驗(yàn)系統(tǒng)完成測(cè)試后，投入實(shí)際生產(chǎn)過(guò)程中。針對(duì)單班次408組新到貨發(fā)動(dòng)機(jī)和變速箱進(jìn)行實(shí)際檢驗(yàn)，共發(fā)現(xiàn)1個(gè)發(fā)動(dòng)機(jī)存在缺陷，407個(gè)發(fā)動(dòng)機(jī)和408個(gè)變速箱合格，連續(xù)累計(jì)作業(yè)用時(shí)2小時(shí)48分鐘。經(jīng)現(xiàn)場(chǎng)質(zhì)量工程師驗(yàn)證，動(dòng)力總成檢驗(yàn)系統(tǒng)的檢驗(yàn)正確率為100%，滿足實(shí)際生產(chǎn)檢驗(yàn)要求。

1.提升生產(chǎn)環(huán)節(jié)數(shù)智化水平

基于視覺(jué)算法的檢驗(yàn)系統(tǒng)，引入先進(jìn)的AI深度學(xué)習(xí)模型以及機(jī)械臂、相機(jī)和補(bǔ)充光源等自動(dòng)化硬件設(shè)備，改變了傳統(tǒng)的人工檢驗(yàn)?zāi)Ｊ?。在生產(chǎn)流程中，從發(fā)動(dòng)機(jī)和變速箱的檢驗(yàn)、上線，各個(gè)環(huán)節(jié)均基本實(shí)現(xiàn)了自動(dòng)化操作。例如，AGV運(yùn)輸發(fā)動(dòng)機(jī)至檢驗(yàn)工位，機(jī)械臂依據(jù)預(yù)設(shè)程序精準(zhǔn)調(diào)整相機(jī)位置和角度進(jìn)行全方位拍攝，全過(guò)程無(wú)需人工干預(yù)，極大地減少了人為操作帶來(lái)的不確定性。同時(shí)，深度學(xué)習(xí)模型能夠自主學(xué)習(xí)和識(shí)別發(fā)動(dòng)機(jī)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(dòng)汽車動(dòng)力總成零部件檢驗(yàn)進(jìn)入數(shù)智化時(shí)代，有效提升了整個(gè)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(shí)際應(yīng)用中展現(xiàn)出了極高的檢驗(yàn)速度。以傳統(tǒng)人工檢驗(yàn)方式為例，選取8名熟練操作員工對(duì)一托（6臺(tái)）發(fā)動(dòng)機(jī)和一托（5臺(tái)）變速箱進(jìn)行現(xiàn)場(chǎng)檢驗(yàn)，測(cè)試其檢驗(yàn)的時(shí)間，其結(jié)果參見(jiàn)表2。

表2 8名員工檢驗(yàn)結(jié)果

根據(jù)統(tǒng)計(jì)數(shù)據(jù)計(jì)算可得：每名員工檢驗(yàn)完成6臺(tái)發(fā)動(dòng)機(jī)平均需要138秒，完成5臺(tái)變速箱平均需要75秒。此外，實(shí)際生產(chǎn)過(guò)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(xiàng)目的視覺(jué)檢驗(yàn)系統(tǒng)能夠在50秒內(nèi)高效完成2臺(tái)發(fā)動(dòng)機(jī)、2臺(tái)變速箱的檢驗(yàn)工作，較人工檢驗(yàn)（發(fā)動(dòng)機(jī)138/6=23秒/臺(tái)，變速箱75/5=15秒/臺(tái)）效率提高34%，大大地提高了單位時(shí)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(kuò)大產(chǎn)能提供了有力支持。

3.檢驗(yàn)準(zhǔn)確度高度穩(wěn)定

傳統(tǒng)人工檢驗(yàn)方式受檢驗(yàn)人員主觀因素影響較大，不同檢驗(yàn)人員的經(jīng)驗(yàn)水平、工作狀態(tài)以及對(duì)缺陷判斷標(biāo)準(zhǔn)的理解差異等，都可能導(dǎo)致檢驗(yàn)結(jié)果出現(xiàn)偏差。本項(xiàng)目采用的先進(jìn)視覺(jué)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(shí)際生產(chǎn)驗(yàn)證，在引入該系統(tǒng)后，檢驗(yàn)錯(cuò)誤率相較于人工檢驗(yàn)大幅下降。本系統(tǒng)對(duì)于有無(wú)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(yàn)失誤導(dǎo)致的次品流入生產(chǎn)線或后續(xù)返工等問(wèn)題。

4.企業(yè)生產(chǎn)成本有效優(yōu)化

傳統(tǒng)人工檢驗(yàn)需要大量專業(yè)檢驗(yàn)人員，隨著勞動(dòng)力成本不斷上升，已成為企業(yè)的一項(xiàng)沉重負(fù)擔(dān)。本項(xiàng)目實(shí)現(xiàn)無(wú)人化作業(yè)后，大幅減少了人工依賴（檢驗(yàn)環(huán)節(jié)人工成本節(jié)約28.2萬(wàn)元/年），企業(yè)無(wú)需再招聘和培訓(xùn)檢驗(yàn)人員，節(jié)省了人力成本支出。在設(shè)備維護(hù)成本方面，雖然系統(tǒng)前期投入包含了機(jī)械臂、相機(jī)、計(jì)算設(shè)備等硬件以及算法研發(fā)等費(fèi)用（共55萬(wàn)元），但從長(zhǎng)期來(lái)看，這些設(shè)備的維護(hù)成本相對(duì)穩(wěn)定且低于人工成本的持續(xù)增長(zhǎng)。同時(shí)，由于檢驗(yàn)錯(cuò)誤率下降減少了次品帶來(lái)的原材料浪費(fèi)、返工成本以及潛在的售后維修成本等。綜合各項(xiàng)因素，通過(guò)實(shí)施本項(xiàng)目，企業(yè)在動(dòng)力總成零部件檢驗(yàn)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(jì)效益和市場(chǎng)競(jìng)爭(zhēng)力。

四

結(jié)論

本研究成功構(gòu)建了基于視覺(jué)算法的動(dòng)力總成智能檢驗(yàn)系統(tǒng)，通過(guò)機(jī)械臂、相機(jī)與補(bǔ)充光源的組合采集方案，搭配先進(jìn)AI深度學(xué)習(xí)模型，實(shí)現(xiàn)汽車動(dòng)力總成零部件檢驗(yàn)的無(wú)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(shí)現(xiàn)了各環(huán)節(jié)的自動(dòng)銜接，減少了人為干預(yù)。生產(chǎn)效率實(shí)現(xiàn)顯著提升，檢驗(yàn)錯(cuò)誤率大幅下降，有效保障了產(chǎn)品質(zhì)量。同時(shí)，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(dòng)力總成零部件檢驗(yàn)提供了創(chuàng)新、高效且可靠的解決方案，有力推動(dòng)汽車工業(yè)向數(shù)智化邁進(jìn)，具有廣泛的應(yīng)用前景與推廣價(jià)值。

參考文獻(xiàn):

[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(jì)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(diǎn)贊、在看！轉(zhuǎn)載請(qǐng)聯(lián)系后臺(tái)。

廣告宣傳