生成對抗網絡在汽車零部件識別中的應用

中圖分類號：U469.72 文獻標識碼：A 文章編號：1003-8639（2025）08-0160-04

【Abstract】With thedevelopment of intelligent manufacturing and industrial automation，theautomotive industry has raisedtherequirements fortheacuracyand eficiencyofcomponent identification.Traditional imagerecognition methods have limitedaccuracyunder complex backgroundsand pose changes，making it dificult tomet production demands. Generativeadversarial networks，takingadvantageof their strengthsinimageenhancement andsynthesis，aregradually beingapplied totheimagepreprocesinganddataaugmentationofcomponentstoimprovetherobustnessofrecognition systems.Basedon the principleof GenerativeadversarialNetwork（GAN）and combined with theYOLOv8objectdetection algorithm，thisarticleconductsautomotivepartsrecognitionexperimentsthrough comparativetests，confusionmatrix analysisandothermethods toverifytheefectivenessofGANinimprovingrecognitionaccuracyandmodelgeneralization ability，andanalyzes theadvantagesandchalengesofitspracticalapplication.ResearchshowsthatGANcanffectively improve the accuracy and robustness of automotive parts recognition，increasing the recognition mAP@0.5 from 89.8% to 93.6% .Especially inthe scenarioof scarce samples，therobustnessissignificantlyenhanced，providing new technical support for related fields.

【KeyWords】generative adversarial network；YOLOv8；automotive parts；image recognition；data augmentation

0 引言

在智能制造和汽車生產自動化快速發展的背景下，零部件識別系統在生產檢測、裝配引導及智能質檢等領域發揮著越來越重要的作用。盡管深度學習已顯著提升了目標檢測與圖像分類能力，但實際工業場景中存在樣本數量不足、圖像品質受限等問題，限制了模型的泛化性能。

Once）系列算法以其實時性和高效性，成為目標檢測主流模型之一，尤其是最新版本YOLOv8在精度與速度方面實現了進一步突破。本文將GAN與YOLOv8結合，針對汽車發動機火花塞等精密件在遮擋、反光場景的識別難題，提出一種基于GAN數據增強的優化方案3]。

1生成對抗網絡與汽車零部件識別基礎理論

生成對抗網絡（GenerativeAdversarialNetwork，GAN）因其出色的數據生成能力，被廣泛應用于圖像增強、風格轉換與修復任務，成為提高工業視覺系統識別精度的重要工具2]。同時，YOLO（YouOnlyLook

1.1 生成對抗網絡原理剖析

生成對抗網絡主要由生成器（Generator）和判別器（Discriminator）兩部分組成，其原理示意圖如圖1所示。其中，生成器的功能是將隨機噪聲轉化為與真實數據分布相似的虛假數據，在圖像領域生成逼真的圖像；判別器則用于區分輸人數據是真實數據還是生成器生成的虛假數據4。在訓練過程中，生成器和判別器進行對抗博弈。生成器不斷優化自身參數，試圖生成更接近真實的數據以欺騙判別器；判別器則通過不斷學習，提高區分真實數據與虛假數據的能力。兩者通過交替訓練，最終達到一種動態平衡，此時生成器生成的數據與真實數據難以區分，判別器的識別準確率接近 50% 。

圖1生成對抗網絡原理示意圖

1.2汽車零部件識別技術概述

傳統的汽車零部件識別方法主要基于手工特征提取（如形狀、顏色、紋理等），然后結合分類器進行識別5。例如，利用邊緣檢測算法提取零部件的形狀特征，再通過支持向量機（SupportVectorMachine，SVM）進行分類。但這些方法對特征提取的依賴性強，當零部件存在遮擋、變形或處于復雜背景中時，識別效果會大幅下降。

基于深度學習的汽車零部件識別方法以卷積神經網絡（ConvolutionalNeuralNetwork，CNN）為代表，通過多層卷積和池化操作自動提取圖像特征，避免了手工特征提取的局限性。CNN在大規模圖像數據集上訓練后，能夠學習到更具代表性的特征，從而提高識別準確率。然而，CNN的性能高度依賴大量標注數據，在數據稀缺情況下，模型容易出現過擬合現象。YOLOv8作為一種先進的目標檢測算法，在目標識別領域具有速度快、精度高的優勢，其在汽車零部件識別中也有著良好的應用前景，但同樣面臨數據稀缺時性能下降的問題，面對汽車發動機缸體等反光強、紋理復雜的零部件時，易受數據稀缺制約。

2生成對抗網絡在汽車零部件識別中的應用實踐

2.1 試驗環境

本研究的試驗環境由高性能計算機硬件與穩定的軟件框架構成，以確保深度學習模型訓練和汽車零部件識別任務的高效執行，試驗環境參數見表1。

表1試驗環境參數

2.2 基于GAN的數據增強

在汽車零部件識別中，數據稀缺是影響模型性能的重要因素。利用GAN進行數據增強，通過生成大量與真實零部件圖像相似的虛擬圖像，能夠擴充訓練數據集，提高模型的泛化能力。具體而言，首先收集一定數量的真實汽車零部件圖像作為訓練樣本，將其輸人GAN的生成器中，生成器會學習真實圖像的特征分布，進而生成新的零部件圖像。這些生成的圖像可以涵蓋不同角度（ （-30^°～30^° ）光照 （500-1500Lux） ！遮擋 （0%～30% 面積）等情況，豐富了訓練數據的多樣性。真實樣本與GAN生成虛擬樣本對比圖，以火花塞為例，如圖2所示。圖中生成樣本與真實樣本的特征相似度通過結構相似性指數評估，均值為 0.89± 0.04，樣本差異通過t檢驗驗證， p?0.05 為顯著差異。例如，對于一些形狀復雜、獲取困難的汽車發動機零部件，通過GAN生成多種狀態下的圖像，將其加入訓練集后，能夠使識別模型更好地學習到此零部件的特征，在實際識別中對不同狀態下的該零部件都能保持較高的識別準確率。

圖2真實樣本與GAN生成虛擬樣本對比圖

2.3 YOL0v8網絡結構

如1.2節所述，YOLOv8在汽車零部件識別中具有潛力，但受限于數據量，因此本節明確其網絡結構，為后續GAN增強效果驗證奠定基礎。YOLOv8作為YOLO系列的穩定版本，在檢測精度、推理速度和模型輕量化方面進行了全面優化，使其在復雜環境下的目標檢測任務中表現更為優越。其核心架構由骨干網絡（Backbone）、特征金字塔網絡（Neck）和檢測頭（DetectionHead）三部分組成。在骨干網絡方面，YOLOv8采用了CSPDarkNet結構，并結合RepVGG模塊，通過跨階段局部網絡（Cross StagePartialNetwork，CSPNet）有效減少計算冗余，提高特征提取能力，同時利用 RepVGG 的結構重參數化技術優化推理速度，使模型在保持高精度的同時提升計算效率。YOLOv8網絡原理圖如圖3所示。

2.4 評價標準

為了全面評估模型的性能，選取以下評價指標：準確率（Accuracy），表示模型預測正確的樣本占總樣本的比例，用于衡量模型的整體性能；召回率（Recall），表示模型在所有實際為正的樣本中，正確預測為正的比例，反映模型對正類樣本的識別能力；計算速度，以每秒幀數（FramesPerSecond，FPS）和平均處理延遲來衡量模型的實時處理能力。

式中： TP —正確檢測數量； FP —誤檢數量；FN. ——漏檢數量； P ——正確檢測數量在全部檢測結果中的比率； R ——正確檢測的數量占所有目標數量的比率。

3試驗驗證與結果分析

3.1 試驗驗證

試驗訓練流程如圖4所示，圖中流程關鍵節點通過3次重復試驗驗證穩定性，數據劃分符合國際標準化組織/國際電工委員會（ISO/IEC）18477工業圖像識別標準。本試驗采用公開的汽車零部件圖像數據集（具體為帕斯卡視覺對象分類2022汽車零部件子集，包含發動機、變速器、輪胎等零部件），共1984張，其中984張作為訓練集，1000張作為測試集。同時，選取部分稀缺類型的零部件圖像（如發動機缸體、變速器齒輪，共120張），利用GAN生成2000張虛擬圖像加入訓練集。

圖3 YOLOv8網絡原理圖

圖4試驗訓練流程圖

試驗設置對比組，一組采用傳統的YOLOv8識別模型，另一組采用結合GAN數據增強的YOLOv8識別模型。模型訓練采用相同的超參數，如學習率設為0.001（采用余弦退火策略動態調整），迭代次數為300次，批量大小為32等。

3.2 結果分析

不同場景下模型性能對比如表2所示，表中測試條件：室溫 25°C ，圖像背景復雜度分為簡單（純色背景）中等（生產線背景）復雜（多零部件堆疊）三類，每類樣本占比3：5：2，數據為5次重復試驗的均值 ± 標準差。

表2不同場景下模型性能對比

從表2中可以看出，GAN增強后的訓練集在YOLOv8識別中表現更優， mAP@0.5 提升 3.8% ，Recall與F1值也有明顯提高，表明GAN生成的樣本有效提升了模型對不同零部件姿態與光照條件的適應能力。

4結束語

本文結合GAN與 YOLOv8 ，探討了生成對抗網絡在汽車零部件識別中的應用路徑，并通過試驗驗證了其在提升識別準確率、增強數據魯棒性方面的有效性。具體而言，GAN數據增強使汽車零部件識別的mAP@0.5 從 89.8% 提升至 93.6% ，尤其在稀缺樣本場景下，識別魯棒性提升顯著（漏檢率降低 32% ）。GAN在工業視覺系統中具備較強的實際價值，尤其在樣本有限或目標變化多樣的情況下，能顯著提升深度模型性能。然而，目前生成對抗網絡在汽車零部件識別中的應用仍存在一些挑戰，如GAN生成圖像的品質有待進一步提高，針對不同類型，汽車零部件的GAN模型設計需要更加精細化。未來的研究可以從以下幾個方面展開：深入研究GAN的生成機制，提高生成圖像的真實性和多樣性；結合汽車零部件的特點，設計專用的GAN模型（如針對金屬反光零部件的抗噪生成模型，采用多尺度判別器結構）；探索GAN與其他目標檢測模型的融合方法，進一步提升識別性能。

參考文獻

[1]張效天，王雪，強振峰.邊緣計算生成式對抗網絡差分進化滾動軸承特征識別方法[J].儀器儀表學報，2023（1）：112-120.

[2]戴俊，王俊，朱忠奎，等．基于生成對抗網絡和自動編碼器的機械系統異常檢測[J].儀器儀表學報，2020，40（9）：16-26.

[3]趙忠文，魏英姿，付垚.一種基于生成對抗網絡模型的工件圖像數據增廣方法[J].信息與控制，2024，53（4）：520-528.

[4]張瀚丹，吳一全.基于視覺的汽車裝配件缺陷檢測研究進展[J].儀器儀表學報，2023，44（8）：1-20.

[5]王威，李玉潔，郭富林，等.生成對抗網絡及其文本圖像合成綜述[J].計算機工程與應用，2022，58（19）：14-36.

[6]曾治霖，瞿昊，杜正春.基于深度學習和生成對抗網絡的發動機缸體表面缺陷檢測方法[J].機械工程學報，2025，61（2）：46-55.

（編輯凌波）