AI 视觉革新：焊装车间检验的智能化升级

0 前言

图片来源于网络，如有侵权，请联系删除

伴随着汽车行业领域的竞争愈发激烈，各个车企对汽车生产过程中的质量和效率提出了更高的要求。在焊装车间中，由于诸多因素的影响，包括车身零部件加工误差、零部件对中台处的位置误差、车身部件输送误差和车身零部件拼接误差等，造成白车身零部件在自动拼装焊接的过程中放置位置出现误差，进而出现焊接错误，导致不良率上升。

图片来源于网络，如有侵权，请联系删除

传统焊装车间错漏检测依赖人工目视与手触检查，效率低且易受人员经验和疲劳状态的影响，尤其是细节不明显的焊点。本文引入基于深度学习的人工智能（AI）视觉技术，通过自动特征提取与端到端训练模型，实现焊点与拉铆螺母的精准识别，并结合防错技术阻断缺陷流出，推动生产线智能化升级。

1 焊装车间错漏检测现状

当前，焊装车间的错漏检测主要依靠人工进行画检标识，这一过程不仅耗时较长（表1中单点检测画点标准时间为0.36s，单焊点检测目视标准时间为1.08s，焊点检测手触标准时间为10s），而且容易受到人为因素的影响而导致错误发生。据统计，人工错漏焊检测出错率约为1%，一旦问题件流出产线，则会造成总装产线停线2min以上，严重影响生产进度。

因此，为了提高生产效率，减少检测出错率，我们计划引进基于AI的视觉检测系统，对产线上的错漏检测方案进行完善。

2 具体案例分析

以某公司整车三工厂焊装31线M36T天窗安装板总成工位为例，该工位要求员工完成32个焊点及24个拉铆螺母的安装并进行画检标识，见表2，整个过程所需时间为278.32s。

由于工艺孔与拉铆螺母孔相似度较高，员工在操作时常出现拉铆螺母位置安装错误的情况。此外，24个拉铆螺母全部依赖员工手工画检标识，导致产品质量一致性较差。如图1和图2所示，若问题件流出产线，不仅会干扰下一工序的正常进行，还可能引发大规模的质量排查甚至车辆召回事故。

图1 油漆车身漏拉铆螺母                                      图2 焊装车身漏拉铆螺母

3 AI视觉检测方案设计

3.1 机器视觉系统

机器视觉系统是一种非接触式的光学传感系统，同时集成软硬件，能够自动采集图像，并从采集到的图像中获取信息并分析，最终产生控制动作。简言之，就是用计算机模拟人眼的视觉功能，从图像或图像序列中提取信息，进行处理并加以理解，最终用于检测和控制。机器视觉系统用于工业检测，具有检测速度快、准确性高及非接触式检测等优点，可以大大提高质量检测的效率和准确性。

在这个方案中，我们需要搭建一套机器视觉系统，自动抓拍零件图像，分析图像中的焊点和拉铆螺母，判断零件是否合格，并控制设备是否可以进入下一道工序。

3.2 深度学习

作为AI的核心技术之一，深度学习是机器学习的一个子领域，它使用多层神经网络来模拟人脑的结构和功能，以处理复杂的模式识别和预测任务。基于深度学习的方法，由于其强大的特征学习能力和端到端的训练方式，正逐步替代传统的基于手工特征的机器学习方法，广泛应用于现代工业生产之中。与传统机器学习相比，深度学习有以下优势。

（1）自动特征学习与复杂任务处理

深度学习模型能够自动学习图像中的潜在特征，并将其映射到高维空间中，实现从底层特征到高层次特征的逐步提取和学习，从而能够捕捉复杂的模式和结构。与之相比，传统机器视觉依赖手工设计的特征提取算法，需要专家根据具体场景设计和选择合适的特征，这通常需要大量的专业领域知识经验。

（2）鲁棒性与泛化能力

深度学习网络通过大量的训练数据，学习到了丰富的数据分布和潜在规律，这使得它们对光照变化、视角变换、部分遮挡和噪声干扰等实际应用中的常见变异性具有较高的容忍度。此外，深度模型能够在训练过程中学习到数据的内在结构，从而在未见过的新样本上展现出良好的泛化性能，适用于各种复杂、非标准化的视觉场景。与之相比，传统视觉在复杂场景下可能表现不佳，尤其是当图像具有高变异性或噪声时，需要精心设计的特征和参数调优。

3.3 端到端训练

深度学习模型支持端到端训练，提高了系统性能，增加了系统的灵活性，减少了中间环节的误差累积，简化了系统的开发与维护。与之相比，传统机器学习通常需要分布处理，各个步骤独立优化，可能会存在误差累积。

在这个案例中，现场存在比较复杂的工业环境和光照条件，同时也需要该方案具备优秀的移植性，在比较小的投入下能够快速移植到其他工位，因此最终我们选择了深度学习方案。通过深度学习，我们对大量样本数据进行训练，学习和识别零部件的关键特征，从而能够自动识别零件上的焊点和拉铆螺母。

4 基于深度学习的机器视觉检测系统设计

4.1 系统框架

基于深度学习的机器视觉检测系统由视觉采集系统、算法系统、流程运行系统和机械执行机构四部分组成，如图3所示。

图3 系统组成架构

在视觉采集系统中，我们使用工业级CCD相机，分辨率可以达到5472×3648。视觉采集服务通过工业相机，采集到高质量的零件图片，便于算法系统能够准确识别和分析图像中的信息。

算法系统又分为算法训练系统和算法推理系统，用于分析图片内容并给出分析结果。

机械执行机构接收人工检测信号，并根据检测结果控制现场设备的下一步动作。本项目中我们采用了触发按钮和工装夹具，用于启动检测程序，确保每次检测的一致性和准确性。工装夹具确保工件在检测过程中保持稳定，避免晃动影响检测结果，并在结果为OK之后打开夹具以进行下一步操作。

流程运行系统由一体化视觉控制柜承载，它集成了视觉采集系统、算法系统和机械执行机构，并将这些系统串联，控制整体系统的运行流程，并将数据收集汇总并推送。

4.2 算法系统

在实际的应用场景中，数据采集至关重要。本系统在车间内布置了高精度工业相机，在数据准备阶段采集了大量的实际生产图片，覆盖了不同光照及背景。把图片导入到系统之中，在图片上标注好要检测的焊点和拉铆螺母，系统通过卷积神经网络，根据这些图片和标注框进行模型的训练。

如图4所示，卷积神经网络是深度学习在计算机视觉领域最成功的模型之一。它通过其独特的层级架构实现了端到端的视觉信息处理。卷积神经网络以原始图像作为输入，通过层叠的卷积层构建多尺度特征层级，每一层卷积操作都能捕获不同抽象层次的视觉特征。池化层通过空间降采样提供了特征的平移不变性，同时降低了计算复杂度。多层次的特征提取和降维操作使网络能够学习到数据的层次化表示，最终通过全连接层将这些特征整合并映射到任务相关的输出空间。这种深层次的特征学习机制使得网络能够自适应地发现和利用数据中的关键特征，为视觉识别任务提供了强大的模型表达能力。

图4 卷积神经网络基本结构和工作流程

最终视觉检测系统采用深度学习技术，通过主动学习每一类别最具区分度的特征，精准识别了不同的目标。如图5～8所示的模型关注热力图像显示，视觉算法模型针对整车三工厂焊装车间天窗视觉检验防错项目防错场景，颜色越红代表该区域关注度越强。

4.3 系统运行流程设计

我们首先要由领域专家根据产品质量标准在系统中精确划定感兴趣区域（Region of Interest,ROI），这种基于专家知识的标注方式，不仅确保了检测区域的准确性，还为后续的自动化检测提供了可靠的参考基准。

在实时监测阶段，我们通过与产线的信号交互确保生产过程的连续性和可控性。当系统接收到触发信号后，会立即启动图像采集模块，对目标零件进行高精度成像，为后续的视觉分析奠定数据基础。

在图像预处理阶段，系统依据先前设定好的ROI，对原始图像进行精确分割。这种基于ROI的分割策略不仅提高了计算效率，还能有效降低无关区域对检测结果的干扰。随后，经过分割的图像子区域将输入预训练的深度学习模型，提取高维特征向量。这些特征向量作为零件的数字化表征，包含了丰富的视觉特征信息。

特征匹配阶段采用向量相似度计算方法，将提取的特征向量与预先构建的标准特征数据库进行对比。系统通过设定最优化的置信度阈值，实现了检测结果的二值化判定（OK/NG）。这种基于置信度的判定机制既保证了检测的准确性，又提供了结果的可解释性。

如图9所示，系统采用多区域联合判定策略，通过逻辑运算确定零件的整体状态。任一检测区域的NG判定都将导致整体状态判定为NG，这种严格的质量控制机制确保了产品的高标准要求。

图9 软件功能流程

最终，系统将检测结果转化为控制信号反馈给产线。对于合格品（OK），系统自动触发夹具释放机构，确保生产线的连续运行；对于不合格品（NG），系统保持夹具锁定状态，同时在人机交互界面上精确显示缺陷区域，辅助操作人员进行针对性修复。修复完成后，可通过重检机制验证修复效果，形成闭环质量控制。

这套基于深度学习的视觉检测系统实现了检测过程的自动化和智能化，显著提升了生产效率和产品质量，为制造过程的数字化转型提供了有力支撑。

5 现场部署实施与系统使用

5.1 现场部署方式

我们在操作台上方布置了能够完整覆盖零件的高精度工业相机，用于在检测时对零件图片进行收集。一体化视觉控制柜部署在操作台旁边，通过线缆与工业相机相连。

该项目成功部署了AI视觉检测方案，实现了对夹具上天窗拉铆螺母及焊点的有/无及错漏检测。检测结果合格则进入下一工序。不合格则由工人即时处理并重新拍摄检测，直至合格为止。

5.2 软件使用

一体化视觉控制柜上配备了展示一体机，可以实时观察工位上的检测状态，如图10所示，并对检测系统进行操作。该页面展示了检测结果，以及零件上所有检测区域及其检测结果。如果出现NG，操作员可以在修理完成之后，点击重拍操作按钮，对该零件进行二次检测。如果检测OK，则夹具打开，可以进行下一工序。

图10 实时检测页面

系统对所有的检测过程都进行了记录，我们还可以通过检测时间、检测结果和检测类型等条件进行筛选，用于对现场的生产质量进行分析，对现场质量提升提供数据基础。

如图11所示，在现场产生了NG时，系统提供了推送能力，将该次NG的详细信息和问题处理恢复情况进行推送，使主管能够实时监控工位生产状态，保证生产能够顺利进行。

图11 错漏报错飞书群推送示意

5.3 方案价值

在汽车制造领域智能化转型的深度实践中，我们的方案不仅实现了质量管控范式的革新，更通过人机协同、数据互联构建起智能制造闭环，在五个关键维度重构了现代工厂的运营逻辑。

（1）极大降低出错率，减少返工浪费：通过AI视觉检测方案的应用，自2023年11月4日运行至今，检错率为0，焊装车间的错漏率显著降低，减少了返工浪费。

（2）AI视觉纠正产线员工行为：AI系统能够实时监控员工的操作，及时发现并纠正错误行为，从源头上限制了出错的可能性。

（3）数据化管理：通过收集和分析生产过程中的各项数据，管理者可以更加科学地做出决策，提高管理水平。检测结果实时推送企业飞书群，可以使管理者能够实时监控生产状态，保证生产能够顺利进行。

（4）可视化检测结果：实时输出检测位置的对错情况，削减了重复查验环节，大幅提升了作业效率。

（5）全自动非接触式检测方式：避免了传统检测方式中可能出现的碰撞问题，保证了产品的完整性，同时也提高了检测速度，对产线节拍影响较小。

6 结果

6.1 检测性能评估

通过对比传统人工检测和AI视觉检测的结果，可以明显看出，AI视觉检测在检测速度、准确性和稳定性方面的优势。

（1）检测速度：AI视觉检测平均耗时为0.4s/件，远低于人工检测的10s/件。

（2）检测准确性：AI视觉检测的准确率达到99.9%，而人工检测的准确率为99%左右。

（3）稳定性：AI视觉检测在长时间运行中保持稳定的性能，不受疲劳、情绪等因素影响。

6.2 经济效益分析

AI视觉检测技术正成为企业提质增效的核心驱动力，通过将深度学习算法与高精度成像系统相结合，该技术为生产线装上了“智慧之眼”，在以下三个维度展现出显著价值。

（1）减少返工浪费：AI视觉检测方案的应用显著降低了错漏率，减少了返工浪费，降低培训成本，单工位年节约成本约21万元。

（2）提高生产效率：通过减少检测时间和返工次数，提高了整个生产线的效率。

（3）提升产品质量：AI视觉检测能够及时发现并纠正错误，提高了产品的质量一致性。

7 结语

在焊装车间的检验工艺创新中，我们采用了基于深度学习的AI视觉技术，这一技术在处理复杂视觉任务方面具有显著优势。传统的机器视觉方法依赖于预定义的算法和规则，难以适应复杂的工业环境，而深度学习则能够自动学习和提取图像中的特征，从而实现更高的准确性和鲁棒性。

通过数据化管理和智能化决策，我们实现了生产过程的透明化和优化。定期推送的数据分析报告帮助管理者做出更加科学和精准的决策，推动了智能制造的发展。综上所述，基于深度学习的AI视觉检测技术在焊装车间的应用，不仅解决了传统人工检测方法中存在的效率低下和错误隐患等问题，还为企业带来了显著的经济效益和社会效益。未来，随着技术的不断发展和完善，相信这一创新技术将在更多领域发挥重要作用，助力制造业向智能化转型。

8 展望

我们通过基于深度学习的机器视觉检测系统，在整车三工厂焊装31线M36T天窗安装板总成工位实现了自动化质量检测，验证了该方案在焊装车间落地的可行性和先进性。

深度学习凭借其强大的特征学习能力和自适应优化特性，在多个复杂场景中展现出卓越性能，特别是在那些具有高维特征空间、大规模数据支撑、规则难以形式化且需要动态自适应的应用场景中，深度学习提供了一种智能解决方案。基于这一技术优势，我们还调研了以下创新应用方向。

（1）对于焊接质量的检测：基于深度学习的智能监测系统实时采集焊接过程的关键工艺参数，包括热力学参数（温度、压力）和电气参数（电流、电压），同时通过机器视觉技术对焊缝形貌特征进行实时分析。系统将多源异构数据输入预训练的深度神经网络模型，实现焊接质量的在线评估与预测，为工艺参数优化和质量控制提供实时决策支持。

（2）操作效率分析与提升：通过实时采集和分析产线工序数据，包括操作时序、质量指标和效率参数等关键指标，建立最优操作模型，识别出效率与质量的最佳平衡点，从而制定标准化作业流程，指导工人提升操作效率和产品质量。

伴随着人工智能与深度学习技术的不断进步，未来的焊装车间将会更加智能化和自动化。可以预见的是，未来的检测系统和工厂智能化系统将具备更高的精度，更快的速度以及更强的适应能力。此外，结合物联网（IOT）、大数据和云计算等技术，系统不仅会实现生产要素的全面互联与协同优化，还能够催生数据驱动的新型生产模式，极大提升制造系统的自适应性、效率和柔性，为制造业的智能化转型提供强大动力。

参考文献

[1] 林飏 . 机器人视觉系统在总装车间自动安装中的应用 [J]. 中国科技信息 .2021(22):89-90.

[2] 沈瑞 , 曹国亮 , 许赢 , 等 . 汽车焊装产线开发中的信息化与智能化趋势 [J]. 汽车观察 .2024(11):21-24.

[3] 尹仕斌 , 任永杰 , 刘涛 , 等 . 机器视觉技术在现代汽车制造中的应用综述 [J]. 光学学报 .2018(38):1-12.

[4] GOODFELLOW I,BENGIO Y, COURVILLE A. Deep Learning. Cambridge: MIT Press,2016.

[5] SZELISKI R. Computer Vision: Algorithms and Applications. Berlin: Springer,2010.

[6] KAGERMANN H,WAHLSTER W,HELB IG J. Recommendations for Implementing the Strategic Initiative INDUSTRIE 4.0.(sl:sN)2013.

[7] 张举全 , 陈振 , 王千 , 等 . 人工智能在汽车焊装工艺中的应用 [J]. 汽车知识 .2024(2):7-9.

本文为“AI汽车制造业”首发，未经授权不得转载。版权所有，转载请联系小编授权（VOGEL100）。本文作者：夏涛 汪彬 宋光强 李家凤 潘剑南 朱雪松，单位：奇瑞汽车股份有限公司 。责任编辑龚淑娟，责任校对何发。本文转载请注明来源：AI汽车制造业

推荐阅读：

中国人保携手平阳格调汽车室内社区营销活动

“情暖四月，人保相伴”中国人保携手瑞安德升汽车宣传活动

“情暖四月，人保相伴”中国人保携手平阳荣雁汽车宣传活动