視覺識別技術在總裝錯漏裝質量檢測中的應用研究

在現代制造業中，產品質量控制與生產效率提升始終是企業關注的焦點?？傃b車間作為汽車生產的最后且最重要環節，涉及大量覆蓋件與內飾件的裝配，其裝配質量直接影響最終產品的性能與用戶體驗。傳統人工檢查方法存在工作效率較低、人工成本偏高、問題可追溯性差等問題，且檢查結果受人員技能水平、工作狀態及勞動強度等因素影響。在保證正常生產效率的前提下，減少錯漏裝等裝配問題成為現代汽車制造業生產技術面臨的新挑戰。

近年來，視覺識別技術發展迅速，其核心依托于人工智能、深度學習與計算機視覺，在工業領域已取得顯著成果。尤其是基于深度學習的卷積神經網絡模型，已廣泛應用于物體檢測、質量檢測、缺陷檢測等場景。視覺識別技術在汽車制造業中的錯漏裝檢查、質量檢測[以及裝配精度校驗等領域具有明顯優勢。借助高精度相機、深度學習模型及實時數據處理系統，可對生產過程中可能出現的零部件錯誤裝配、缺失等問題進行實時監控與反饋。

通過分析目前工廠質量控制與生產效率提升之間存在的的問題，結合當前視覺識別技術的發展現狀，提出了一種新型總裝錯漏裝視覺識別質量檢查的解決方案，以確保在提升生產效率的同時有效保證產品質量，為汽車總裝生產及質量控制提供新思路和參考。

應用現狀

隨著工業自動化的發展，視覺識別技術在制造業中的應用日益廣泛。在汽車制造的總裝車間，視覺識別被廣泛用于提高生產效率和質量控制2，其通過利用攝像頭和圖像處理軟件來識別、跟蹤和分類工廠生產線上的物體[3]。

傳統圖像處理包括基于閾值、邊緣檢測及模板匹配等方法，適用于零件形態和色彩固定、光照可控的場景。優點是算法成熟、實時性好、實現成本低；缺點是對光照、視角變化敏感，需要手工調試，難以應對復雜場景，例如康耐視Checker視覺傳感器通過固定閾值和觸發檢測來識別零件是否存在。

深度學習方法以卷積神經網絡（CNN）為主，適合零件種類多、缺陷復雜的場景，能夠在復雜的背景下準確識別零部件4。優點在于可自動學習特征、適應性強、能處理遮擋和變化，常取得高準確率；缺點是需要大量標注數據，訓練和部署成本高，模型解釋性較差。

在總裝車間，視覺識別技術主要用于識別裝配過程中可能出現的錯誤或遺漏，例如水管安裝錯誤、卡具錯誤、螺栓未擰緊等問題。現有研究已在視覺識別技術的算法及應用方面取得顯著進展。近年來，多項研究聚焦于通過增強算法與機器學習模型提高識別準確性。此外，智能視覺系統能夠在多變的生產環境中實時開展高效監控與分析?；谠鰪姮F實（AR）的視覺輔助系統可向裝配線工人提供實時反饋，并借助聲光報警設備通知現場操作及檢查人員，針對檢查出質量問題的車輛制定相應的返修計劃與控制流程，配套設備的使用能顯著降低錯漏裝質量問題的發生率。

可行性分析

調查目前總裝車間存在的自動檢查裝置以及其相對應的功能，發現目前主要存在三種自動化檢查方案。

1）SME間隙平順度自動檢查裝置，通過機械手在總裝車間底盤線尾進行平順度檢查，通過總裝自動設備的檢查結果反調裝焊車間四門兩蓋的間隙平順度。

2）ManlessQ-Gate無人值守質量門項目，通過“機械手 ^?+ 相機拍照”的視覺識別的方式在EDU線對裝配結果進行質量檢查，通過機械手臂控制相機走向，對機械臂運行軌跡進行詳細規劃，實現對內部零部件及裝配的細節檢查，檢查精度及準確度高，但項目造價以及運維費用高，且機械臂行程軌跡規劃復雜且容易對成品車造成磕碰劃傷。

3）底盤線螺釘自動質量檢查項目，該項目通過自主編程實現，具備成本低的優勢，然而在運維和前期規劃方面的人力成本較高，而且識別精度相對較低。在實際生產中，需要投入較多人力進行維護與前期規劃工作。

結合質量檢查需求及經濟效益最大化的目標，北京奔馳汽車總裝車間的錯漏裝質量檢查主要針對較為明顯的外觀配置展開，以避免存在明顯外觀質量問題的車輛流入市場。WSA線作為成車檢查線，對外觀質量檢查要求較高，且檢查過程中不能對成車造成損壞。此外，車輛選裝配件信息與產品訂單信息密切相關，檢查結果需與生產系統緊密聯動。由于汽車零部件具有高度標準化和規范化的特點，便于視覺系統進行特征提取和比對，因此錯裝、漏裝、反裝、多裝等缺陷類型均可通過視覺識別技術有效檢測。

在汽車總裝車間錯漏裝上的應用

1.技術原理

受生產線速度限制，加工人員難以實時識別和判斷每輛車的配置，通常只能依據配件小車提供的零件進行裝配。這種方式在裝配點一致但造型、功能或顏色存在差異的情況下，尤其依賴物流配貨系統的穩定性。常見的外觀項差異如圖1所示。在此情境下，視覺識別系統可提供關鍵的二次檢驗，以確保裝配的正確性。

相較于精細的零部件質量檢查及輪廓檢查，總裝車間完成線的錯漏裝質量檢查主要針對較為明顯的外觀配置展開，且檢查過程中不能對成車外觀造成破壞，從而避免存在明顯外觀質量問題的車輛流入市場，影響客戶體驗及使用。由于車輛選裝配件信息與客戶產品訂單信息密切相關，錯漏裝視覺識別系統需依托生產訂單系統的選裝code代碼信息獲取原始數據，再結合產線實際生產車輛的實時拍攝照片進行比對，以實時反饋錯漏裝質量檢查結果。

項目基于機器學習YOLOv8架構對圖像識別算法進行深度優化，設計了專用的卷積神經網絡結構；自主研發多相機協同的圖像采集算法，采用多線程同步技術實現設備的自動枚舉與識別，可同時完成四路相機的數據流采集與解析。通過相機多角度拍攝實車照片，在不同選裝配置、車型、顏色及光線下，收集來自實際生產環境的多模態數據，并對圖片數據進行標注與預處理，構建了高質量訓練數據集。經嚴格的圖像標注和模型訓練，最終實現對各車型外部特征的精準識別與判斷。

圖1常見外觀項區別實例

2.系統構成

項目構建了復雜異構硬件集成控制系統如圖2所示，包含四臺MV-CH250-90GC工業相機、兩臺MV-IDCO10X-08MW掃碼器及兩組OmronE3Z-T81對射式光電傳感器。針對不同設備的通信特性，設計了多協議兼容的通信架構。其中，工業相機采用USB3.0接口，實現5Gbps高速數據傳輸；讀碼器通過以太網TCP/IP協議通信，確保數據實時性；光電傳感器則采用模擬量輸入，通過電壓變化檢測物體狀態。系統采用多線程并行處理技術，設計了統一的數據接口規范，實現毫秒級多源信息同步采集。通過開發專用數據轉換中間件，保障了各類設備信息的完整性與一致性，系統整體響應時間控制在50ms以內，滿足生產線實時性要求。

圖2視覺識別工作示意

1、2-光電感應器3-掃描槍4-左側相機5-右側相機6-前方相機7-后方相機8一顯示屏9-本地工作站10-車型信息數據庫

項目在WSA生產線燈廊區域構建了智能化檢測區域，充分考慮生產工藝要求與人機工程學因素。該檢測區域采用模塊化設計，由兩側高強度鋁合金構架組成，配備高透光率漫反射遮光簾及可調式LED補光系統，確保檢測環境光照均勻度符合要求。設備布局如圖3所示，避免對車輛電檢系統產生干擾，系統整體尺寸嚴格控制在寬 4.2m 、高 3.5m 范圍內，與生產線實現完美集成，對車輛通行零干擾。通過采用非接觸式檢測方案，保障了生產工藝的完整性及操作人員的安全，檢測效率達到MRAWSA單線25件/h，完全滿足生產線節拍要求。

圖3實車檢測工位

圖4正常工作流程示意

3.識別流程

總裝車間錯漏裝視覺識別系統的正常工作流程如圖4所示。

（1）觸發機制車輛進入檢測區域后，集成系統中的感應器與掃碼槍被自動激活并開始工作；車輛前進過程中，掃碼槍捕捉前部車身號。

（2）實車數據采集當前輪到達感應器1的感應位置時，激活信號驅動左右側相機及前端相機，捕捉車輛前端左右側與車頭前端的實時圖片；車輛繼續前進，后輪到達感應器1時，再次激活信號并驅動左右側相機，捕捉車輛后端左右側的實時圖片；后輪進一步前進至感應器2位置時，激活信號驅動后端相機，捕捉車輛尾部的實時圖片。所有實時捕捉的照片與車身號一同發送至工作站集成系統的視覺識別模型。

（3）數據處理與分析工作站集成系統接入總裝車間的車輛信息數據庫，可調用車輛配置信息。工作站通過中轉站從數據庫中獲取對應車輛信息，發送至視覺識別模型，與實時捕捉的實車圖片信息進行比對，生成比對結果。

（4）反饋與操作本地工作站將檢查結果存儲于系統資料庫，同時在現場顯示屏上實時顯示識別結果，并通過顏色區分直接標注問題部位：紅色代表該部位存在問題（標注“1”標志），且整車檢查結果顯示“請檢查”；綠色代表合格放行。操作人員可根據顯示屏結果執行后續返修或放行操作。

該流程通過自動化機器檢查的設計，排除了人工檢查的干擾因素，保證了檢查結果的可追溯性，同時顯著提升了檢查效率與準確性，確保了生產線的連續運作及車輛質量的可靠性。

效果驗證

1.應用效果

效果驗證分為兩部分。一部分是機器學習程序的識別精度。模型通過大量在線實車圖片采集與迭代學習，將各項檢查項的識別精度提升至 95% 以上，以保證識別系統的精度、降低誤報率，避免影響生產線速度及實際生產操作流程。系統精度的提升依賴于大量圖像數據的收集與標注，是一個持續優化的過程。經測試，模型在測試集上的精準率達 97.8% ，在車間產線實車評估中的精度達 90% 。另一部分是在線錯漏裝實例測試。測試一，通過遮擋檢查項（如遮擋后備箱尾標、邊梁等），驗證系統在檢查項被遮擋時的識別能力；測試二，通過錯裝和漏裝部分成車部件（如錯裝后備箱數字尾標、錯裝左右側E亮條配置、漏裝四驅標志（4Matic）等，驗證系統對實際錯漏裝質量問題的識別效果。測試一與測試二的結果顯示，系統均可有效識別實車中的錯誤。

設備正常工作時的界面如圖5所示。該界面會根據預設檢查項顯示當前車輛的相應檢查結果，并對整車視覺檢查結果進行評估反饋；同時結合現場顯示屏和聲光設備向操作人員反饋信息。此外，模型會匯總所有檢查結果及原始檢查圖片：若出現檢查錯誤，可通過與留存照片核對來修正相應模型參數；留存照片還可用于后續質量數據存檔，為質量問題追溯提供生產證據。

圖5正常工作界面示意

2.現狀不足與未來發展方向

1）對于磕碰劃傷、膠條窩邊、坑包等細節檢查，其對識別精度、大數據模型、相機硬件設備及周圍環境的要求較高。光照變化及人員移動產生的陰影會對細節質量識別造成一定影響。未來計劃通過獨立劃分檢查區域、設置檢查暗房等方式，降低光照等環境因素的干擾。

2）完成線成車出廠檢查涉及打開行李艙蓋檢查備箱物品、打開前機艙蓋檢查發動機標簽等操作。如何實現人工手動操作與機器自動檢查的協同配合，以及合理規劃機械臂、生產線速度與機器識別速度的匹配關系，是未來視覺識別技術的重要發展方向。

3）將細節質量檢查與車輛整體匹配檢查相整合，在實現外觀配置檢查、磕碰劃傷檢查的同時，融合整體外觀的間隙平順度檢查與色差匹配檢查，這也是未來工廠應用的發展方向，可為產品質量筑牢堅實防線。

結語

基于深度學習的視覺識別模型能夠識別汽車總裝線上細微的造型、功能及顏色差異。模型訓練需使用大量標注數據，以確保高準確性與低誤報率。通過高精度機器檢查替代人工PDA對比檢查，可避免人為因素導致的誤檢和漏檢，從而有效識別相關質量問題，防止問題產品流入售后市場造成更嚴重的影響。此外，自動化機器檢查具有更強的問題追溯性和可記錄性，同時能夠提升工作效率、節約人工成本，對公司降本增效具有重要意義。

項目基于視覺識別的錯漏裝檢測系統為汽車總裝車間提供了一種高效、可靠的檢測方案，旨在更好地提升質量與制造水平。未來工作將集中于進一步優化識別算法、擴展系統適用范圍，以及探索與其他工業自動化技術的整合潛力。

參考文獻：

[1]張付德，王振勛.協作機器人在汽車質量檢測中的應用[J].汽車工藝師，2023（11）：18-21.

[2]岳通，于通，于方濤，等.視覺識別系統在汽車生產線的導入與應用[J].天津科技，2024，51（7）：94-96.

[3]劉旭穎，張新星，王慧捷.一種汽車總裝柔性生產線的車型識別系統設計[J].汽車與駕駛維修（維修版），2022（9）：27-29.

[4]王良濤.多型號復雜輪廓零件視覺識別技術在汽車制造業中的應用[J].汽車工藝師，2024（1）：32-36.