【机器人的眼睛】机器视觉在汽车零部件检测中的应用

随着汽车加工工艺技术的提升以及模块化趋势的呈现，汽车零部件的结构也越来越复杂，外形也呈现出多种多样的趋势。这给成型后的产品尺寸检测带来了一定的困难。

传统的汽车零部件尺寸检测方法

由于条件所限，传统的汽车零部件尺寸检测方法只能采用手动的方式，专业的检测人员手持千分尺等测量工具对产品进行各个部位的尺寸测量。但由于汽车零部件的形状非常复杂，往往一个产品上存在的测点多达数十个，这样测量一个产品就需要花费大量的时间，存在着测量效率低、采样精度低、采样频次低、数据遗漏以及人工输入错误等问题，同时这种测量也不适用于现代化的管理，无法应对数据处理的实时性和数据监管等。因此，工业质检的智能化赋能已经成为节省成本，提高产能的必然趋势。

智能质检难题

但是向智能质检转型的过程并不顺利，首先缺陷检测较复杂，主要包括内部材质检测、尺寸形位检测及外观缺陷检测。许多企业前期也尝试过组建算法团队做AI开发，解决检测智能化问题，但组建算法团队所需的算法人员、投入研究过程的时间成本、AI训练需要投入的服务器等机器成本累加起来，预估达到百万级，负担过重。

汽车制造商在智能化转型的过程中主要遇到会以下主要问题：

1. 如何降低业务探索阶段的成本投入？
2. 如何对瑕疵缺陷做到精确的标注，从而提供高质量的训练数据？
3. 如何收集到各种瑕疵缺陷的数据，弥补缺陷样本少的痛点？
4. 如何适配各种硬件，简单高效完成部署工作？如何保证预测效率？

 那么，跑码地Coovally-智能AI视觉平台就是最好的助手！

Coovally针对高精密制造中部件和产品的表面极微瑕疵、微结构缺陷、大范围一致性、高速高效等问题能够形成一整套有效的解决方案，体现了“以数据为中心”或“数据驱动”的AI落地技术。 是解决“实验室结果好于实际运行效果”这一痛点的核心利器。

Coovally基于模块化的工程方式，以提升数据质量为中心，提供智能数据标注模块、数据增强工程化流程模块、AI模型库（包含150+常规机器学习与深度学习模型）、项目管理与分享模块、模型适配与部署模块。并且支持云端模型转换和边端模型转换。云端模型转换指转换后的模型可部署在云端的服务器上进行推理，边端模型转换指转换后的模型可部署在边缘端的设备上进行推理。从根源上解决“高昂价格、模型单一”的问题，可一次性部署平台，自由使用所有模型。

以汽车轴承的缺陷检测为例，根据缺陷类型选择合适的任务类型：

端面与外径缺陷检测因需要定位到具体的缺陷位置，且缺陷特征较为一致，因此适用于物体检测模型；内径锈蚀检测因需要定位到锈斑的具体位置，且锈斑大小、形状不统一，因此适用于图像分割模型。

接下来汽车轴承的缺陷检测着手数据准备→模型训练→模型部署：

数据准备

汽车轴承待检测的瑕疵缺陷过小，标注难度大，同时标注数量大，人力成本高。但在跑码地Coovally的标注界面上，可以按需缩放或对瑕疵缺陷进行增强，从而进行精准标注。

模型训练

部分瑕疵缺陷的样本量少，如何提升数据利用率？

借由跑码地Coovally的图片增强功能，可将一张图片衍生多张图片，提高数据利用率。同时，通过自动超参搜索策略，完成相对复杂场景数据训练的利用率，同时可以产出基于这个场景最优的参数组合，达到更高的模型精度。如果目标检测物过小，可以选择小目标检测算法，无代码训练出精确率达90%的可用模型。

模型部署

模型训练完成后可直接下载pt文件进行适配，简便又快捷。

基于跑码地Coovally机器学习检测算法，使用工业相机对产线上的轴承进行图片拍摄，通过传感器获取轴承的几何参数绘制成图像，生产现场的服务器进行图像分类和检测，判断轴承的外观质量是否符合要求，可检测轴承的擦伤、磕碰伤、磨伤、削料、锈蚀等瑕疵。最终达到缩减开发人员、提高开发效率、简化模型部署的效果。

实际上，机器学习检测算法在产品检测方面的应用还有很大的潜力可供挖掘。不仅在汽车零部件行业，在电子、半导体、3C、铁路、研究院所都有很强劲的需求，跑码地Coovally的最终目标就是帮助更多企业低成本实现AI算法自由。