摘要：本研究构建了一种基于视觉算法的智能检验系统，借助机械臂、相机、补充光源等设备进行图像采集，融合深度学习模型，实现大众汽车总装工厂环境中的动力总成无人化检验。系统提升了汽车生产数智化水平，降低了因人为干预导致的质量风险，从而使得生产效率大幅提高、检验错误率显著下降。该研究成果对推动汽车工业智能化，以及助力汽车企业成本优化有重要意义，具有广泛的推广价值。

关键词：动力总成智能检验；图像采集；深度学习模型；汽车工业数智化

一、引言

在汽车工业迅猛发展的当下，智能化已然成为行业发展的核心驱动力。随着汽车产量持续攀升以及消费者对汽车质量和性能要求的日益严苛，传统人工检验方式在面对发动机变速箱等关键汽车动力总成零部件时，逐渐暴露出主观性强、效率低下以及漏检、误检频发等诸多弊端。

发动机和变速箱作为汽车动力总成的核心部件，其质量直接关乎汽车的整体性能、安全性以及可靠性。一旦存在缺陷的发动机变速箱流入市场，不仅可能引发汽车在行驶过程中的故障，影响用户的驾驶体验，严重时甚至会危及驾乘人员的生命安全。

本文基于图像识别模型MobileNetV3和缺陷定位框架PaDiM，提出了一种动力总成视觉检验方案，在83分钟内连续完成了200个发动机和200个变速箱的检验，显著提高了检验的精度与效率，有效降低了企业生产成本，也为汽车物流行业提供了入厂检验智能化、自动化的实践参考。

二、基于视觉算法的汽车动力总成检验系统解决方案

1.动力总成视觉检验技术

（1）数据采集方案

为实现对发动机与变速箱的全面精准检验，本研究采用了多模态数据采集方案。该方案以机械臂为核心载体，搭载工业相机与补充光源，通过精心规划机械臂的运动轨迹，实现对发动机变速箱360°无死角扫描拍摄。机械臂具备高度灵活性和精确运动控制能力，可根据预设的程序和算法，在三维空间中自由移动，调整至最佳拍摄角度，确保相机清晰捕捉到发动机与变速箱的各部位图像信息，并将拍摄的多点位图像储存至数据中心模块，实现数据采集，如图1所示。

图1 数据采集方案

在实际应用中，为进一步提高图像采集的质量，补充光源采用高均匀性LED阵列。发动机与变速箱的零部件多为金属材质，表面光滑易产生反光现象，会严重干扰图像的采集和后续分析。高均匀性LED阵列可提供稳定均匀的光照，避免出现局部过亮或过暗，使相机能够获取清晰、准确的图像，为后续检验分析提供可靠的数据基础。

（2）深度学习算法框架

在缺陷类型识别方面，使用MobileNetV3架构[1]，高效提取发动机图像特征，对发动机整体状态或特定部件进行分类，判断其是否存在缺陷及缺陷类型。在保证一定精度的同时，显著降低计算复杂度，非常适合在资源受限的边缘计算设备上运行。

在缺陷信息识别方面，引入了PaDiM缺陷定位框架[2]。该框架基于单类学习思想，通过对正常样本学习，建立正常状态下的特征分布模型。在测试阶段，将输入图像的特征与学习到的正常模型进行对比，从而精准地识别出图像中的微小缺陷，并对缺陷的位置、大小等信息进行标注。这种基于异常检验的方法无需大量缺陷样本进行训练，有效解决了实际检验中缺陷样本难获取的问题，提高了检验系统的实用性和泛化能力。

2.项目流程及设备参数

（1）原检验流程

本项目基于大众零部件部品物流业务，动力总成的运输、检验、上线整体流程如图2所示。在总装车间动力总成排序区，叉车将零件运送至排序区后，作业人员分别对发动机、变速箱进行检验，随后通过吊装将零件转移至AGV工装车。整个检验环节需要6名工作人员。

图2 动力总成作业原流程

检验人员凭借肉眼和简单工具对零部件进行观察和判断，这种方式不仅效率极低，且易受检验人员主观因素影响，检验精度难以保证。此外，长时间重复性工作易导致检验人员疲劳，进一步影响检验质量和效率，增加漏检和误检风险。

（2）基于视觉算法的新流程

为提高检验质量和效率，采用“机械臂+相机+补充光源”的硬件组合，并借助先进的图像识别模型构建视觉检验系统，以替代人工作业。优化后的动力总成作业新流程如图3所示。

图3 动力总成作业新流程

零件（发动机、变速箱）到货后，卡车停靠卸货位置，由叉车运送入库。随后，操作人员使用叉车将零件运至排序区域，进行人工排序作业。完成排序后，由AGV将其平稳地输送至检验工位。检验工位配备有动力总成检验系统，该系统由机械臂、相机、补充光源组成，如图4所示。当发动机、变速箱到达检验工位时，机械臂迅速响应，根据预先规划好的拍摄方案动态地调整拍摄角度。调整过程中，机械臂通过与视觉系统的实时通信获取发动机、变速箱的位置和姿态信息，确保相机能够准确地对准各个检验点位。

图4 基于视觉算法的动力总成检验系统

在机械臂调整拍摄角度的同时，补充光源也按照预设的参数提供稳定、均匀的光照，以消除金属表面的反光，保证采集到的图像清晰、准确。相机同步采集多视角图像，并由高速数据传输接口实时传输至计算节点。计算节点配备高性能计算芯片和优化的算法框架，采用GPU加速技术，快速对采集到的图像进行处理和分析[3]。动力总成检验系统能够在50秒内完成2组发动机与变速箱的全检工作，大大提高了检验效率。

（3）设备运行参数

动力总成检验系统所需的计算设备最低配置推荐为：具备32个运算核心的中央处理器（CPU）、64GB运行内存（RAM）、2TB存储空间，以及NVIDIA GeForce RTX 3080 级别或更高性能的图形处理器（GPU）。

三、基于视觉算法的汽车动力总成检验系统应用效果

为测试动力总成检验系统的效果，制作包含合格发动机170例，有缺陷发动机30例、合格变速箱134例，有缺陷变速箱66例的缺陷检验数据集。检验系统在5000秒的时间内识别出170例合格发动机、30例有缺陷发动机，133例合格变速箱、67例有缺陷变速箱。参见表1。

表1 预测混淆矩阵

检验系统的查准率为：

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

查全率为：

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

动力总成检验系统完成测试后，投入实际生产过程中。针对单班次408组新到货发动机和变速箱进行实际检验，共发现1个发动机存在缺陷，407个发动机和408个变速箱合格，连续累计作业用时2小时48分钟。经现场质量工程师验证，动力总成检验系统的检验正确率为100%，满足实际生产检验要求。

1.提升生产环节数智化水平

基于视觉算法的检验系统，引入先进的AI深度学习模型以及机械臂、相机和补充光源等自动化硬件设备，改变了传统的人工检验模式。在生产流程中，从发动机和变速箱的检验、上线，各个环节均基本实现了自动化操作。例如，AGV运输发动机至检验工位，机械臂依据预设程序精准调整相机位置和角度进行全方位拍摄，全过程无需人工干预，极大地减少了人为操作带来的不确定性。同时，深度学习模型能够自主学习和识别发动机和变速箱的各类特征与缺陷，具备自我优化和智能决策能力，推动汽车动力总成零部件检验进入数智化时代，有效提升了整个生产系统的智能化水平。

2. 大幅提升生产效率

该系统在实际应用中展现出了极高的检验速度。以传统人工检验方式为例，选取8名熟练操作员工对一托（6台）发动机和一托（5台）变速箱进行现场检验，测试其检验的时间，其结果参见表2。

表2 8名员工检验结果

根据统计数据计算可得：每名员工检验完成6台发动机平均需要138秒，完成5台变速箱平均需要75秒。此外，实际生产过程中还需考虑人工疲劳导致的工作节奏放缓等因素。而本项目的视觉检验系统能够在50秒内高效完成2台发动机、2台变速箱的检验工作，较人工检验（发动机138/6=23秒/台，变速箱75/5=15秒/台）效率提高34%，大大地提高了单位时间内的产出量，有效加快了生产节奏，使企业的生产效率得到了质的飞跃，为企业扩大产能提供了有力支持。

3.检验准确度高度稳定

传统人工检验方式受检验人员主观因素影响较大，不同检验人员的经验水平、工作状态以及对缺陷判断标准的理解差异等，都可能导致检验结果出现偏差。本项目采用的先进视觉算法和深度学习模型，具有极高的准确性和稳定性。经实际生产验证，在引入该系统后，检验错误率相较于人工检验大幅下降。本系统对于有无缺陷的查全率可接近100%，查准率可控制在99%左右，有效提高了产品质量，减少了因检验失误导致的次品流入生产线或后续返工等问题。

4.企业生产成本有效优化

传统人工检验需要大量专业检验人员，随着劳动力成本不断上升，已成为企业的一项沉重负担。本项目实现无人化作业后，大幅减少了人工依赖（检验环节人工成本节约28.2万元/年），企业无需再招聘和培训检验人员，节省了人力成本支出。在设备维护成本方面，虽然系统前期投入包含了机械臂、相机、计算设备等硬件以及算法研发等费用（共55万元），但从长期来看，这些设备的维护成本相对稳定且低于人工成本的持续增长。同时，由于检验错误率下降减少了次品带来的原材料浪费、返工成本以及潜在的售后维修成本等。综合各项因素，通过实施本项目，企业在动力总成零部件检验环节的成本得到了显著优化，提升了企业的经济效益和市场竞争力。

四、结论

本研究成功构建了基于视觉算法的动力总成智能检验系统，通过机械臂、相机与补充光源的组合采集方案，搭配先进AI深度学习模型，实现汽车动力总成零部件检验的无人化作业。该系统有效提升了生产流程的数智化水平，实现了各环节的自动衔接，减少了人为干预。生产效率实现显著提升，检验错误率大幅下降，有效保障了产品质量。同时，企业成本得以优化，人力及次品相关成本得到优化，综合效益显著。此研究为汽车制造行业动力总成零部件检验提供了创新、高效且可靠的解决方案，有力推动汽车工业向数智化迈进，具有广泛的应用前景与推广价值。

参考文献:

[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,杨洪伟,郝萌,等.隐私计算环境下深度学习的GPU加速技术综述[J].信息安全研究, 2024,10(7):586-593.