在汽车的生产制造过程中，车身外观防错是指对汽车制造过程中外观部件的正确识别和防止漏装或错装的校验，以确保最终产品的外观质量和完整性。传统的外观配置检测通常通过人工目视的方法来完成，人工目检可能存在以下弊端：

【资料图】

1.可靠性：人工目检可能因为视力疲劳、疏忽大意或情绪等因素影响判断的准确性和可靠性。

2.效率性：人工目检需要投入大量的人力和时间，成本相对较高，无法满足大规模和高效率的需求。

3.重复性：人工目检难以保证在不同时间和不同情境下结果的一致性和重复性。

因此，对于车辆外观零配件检查，在保证质量和效率的同时，尽可能地减少并规避人工目检的弊端，选择采用计算机视觉技术等自动化检测方法，可以提高检测的准确性、一致性和效率性，还可以帮助企业降低成本。

某车企是中国汽车工业的重要领军企业之一，每款车根据要检测的部件会有13-16个拍照点位，每个点位需要检出的部件数量也不固定。总共约为21类40个零件需要检测。每款车都有一张配置表，记录每个拍照点位要检测的部件信息及其编码。上线检测过程基于系统传参确定拍照点位，模型检出结果后基于表格对检出结果进行过滤。

检测流程

汽车外观防错检测存在许多难点，如：

数据标注：对汽车外观图像的标注需要具备专业知识和丰富的经验，且需要耗费大量的时间和人力成本。如下部分部件尺寸较大，包含较多背景区域，容易受车身颜色影响导致误判。

修正前打标方式                                  修正后打标方式

解决方法：调整标注框，仅框部分区分度最高的特征。

模型鲁棒性：由于在汽车外观检测中存在大量的噪声、光线变化、拍摄位置等因素，模型需要具有高度的鲁棒性才能具有实际应用价值。如下门把手由于拍照角度不同曝光度产生偏差，曝光过高，反光严重，影响分类判断。

解决方法：调整曝光度至部件细节特征清晰可见。

误报率：由于汽车外观特征多样，检测时难以避免出现误报或漏报的情况，这要求检测系统具有高度的准确率和可靠性。譬如同一部件在车辆不同点位拍照状态差异太大会导致误检。

解决方法：将同一部件不同点位拆分模型训练，此类问题部件训练一个小模型。

系统工程化：对于机器学习模型的应用不仅仅需要构建精度高的模型，还需要将这些模型与其他系统集成，实现工程化部署，并解决实际上生产环境下与其他复杂系统之间的兼容性和稳定性问题。

数之联智能机器视觉在车辆生产系统中充分发挥其优势。其依托深度视觉检测技术，通过对车辆型号车身数据的自动识别，能够准确地识别不同车型以及同一车型的不同配置。其检测准确率高，能够在生产线上快速、高效地完成对车辆的检测任务。

同时，数之联智能机器视觉还能够存储相应的过程数据，并且这些数据可以基于车型号进行追溯。这为生产过程中的质量管理和产品溯源提供了强有力的支持。通过对过程数据的记录和追溯，生产企业可以实现对生产过程的全面监控和管理，提高产品质量和生产效率。

关键词：