基于改進YOLOv5的汽車車門裝配工藝檢測

計成睿

(合肥大學 人工智能與大數據學院，安徽 合肥 230601)

中國作為全球最大的汽車市場，在2022年汽車的生產量為2747.6萬輛，同比增長3.4 %，反映出了汽車生產行業在制造業中的地位。工業4.0電子信息化的普及，使得工業制造過程自動化控制程度進一步大幅提升，汽車生產流水線自動化比例高達95 %。但高自動化生產的過程中同樣存在有一定的概率出現裝配錯誤等問題，目前對于汽車車門裝配工藝檢驗主要仍依靠人工檢測，使用人工方法進行檢測不僅耗時耗力，還容易受到疲勞、心理因素等的影響，發生漏檢或者誤檢的情況。因此將圖像識別技術應用于汽車車門裝配工藝，對提高檢測效率，實現自動裝配具有重要意義。

深度學習的快速發展已逐漸取代了傳統算法在計算機視覺領域內的應用，深度學習魯棒性的特性也促進了許多計算機視覺技術的落地使用。Pei Z等人[1]提出一種基于Canny邊緣檢測算法和SSDA(順序相似性檢測算法)的焊接部件識別方法，并利用圖像分割來提高Hough變換檢測汽車門焊點的精度。Mo Z等人[2]提出一種基于YOLOv3算法的汽車門板焊點識別方法。YOLOv3利用卷積神經網絡提取深度特征，能夠有效區分圖像特征，準確地識別和檢測焊點位置。Li H等人[3]提出了一種基于點云學習的焊點形狀缺陷檢測方法，該方法主要依靠于其所設計的輕量級神經網絡Solder PointNet，網絡利用局部群體注意機制以避免掃描點云中異常點的不利影響，可自適應地找到有利的臨界點特征，同時設計了一種調制損耗來保證可靠的低誤檢率。……