隨著汽車(chē)加工工藝技術(shù)的提升以及模塊化趨勢(shì)的呈現(xiàn)，汽車(chē)零部件的結(jié)構(gòu)也越來(lái)越復(fù)雜，外形也呈現(xiàn)出多種多樣的趨勢(shì)。這給成型后的產(chǎn)品尺寸檢測(cè)帶來(lái)了一定的困難。

傳統(tǒng)的汽車(chē)零部件尺寸檢測(cè)方法

由于條件所限，傳統(tǒng)的汽車(chē)零部件尺寸檢測(cè)方法只能采用手動(dòng)的方式，專(zhuān)業(yè)的檢測(cè)人員手持千分尺等測(cè)量工具對(duì)產(chǎn)品進(jìn)行各個(gè)部位的尺寸測(cè)量。但由于汽車(chē)零部件的形狀非常復(fù)雜，往往一個(gè)產(chǎn)品上存在的測(cè)點(diǎn)多達(dá)數(shù)十個(gè)，這樣測(cè)量一個(gè)產(chǎn)品就需要花費(fèi)大量的時(shí)間，存在著測(cè)量效率低、采樣精度低、采樣頻次低、數(shù)據(jù)遺漏以及人工輸入錯(cuò)誤等問(wèn)題，同時(shí)這種測(cè)量也不適用于現(xiàn)代化的管理，無(wú)法應(yīng)對(duì)數(shù)據(jù)處理的實(shí)時(shí)性和數(shù)據(jù)監(jiān)管等。因此，工業(yè)質(zhì)檢的智能化賦能已經(jīng)成為節(jié)省成本，提高產(chǎn)能的必然趨勢(shì)。

智能質(zhì)檢難題

但是向智能質(zhì)檢轉(zhuǎn)型的過(guò)程并不順利，首先缺陷檢測(cè)較復(fù)雜，主要包括內(nèi)部材質(zhì)檢測(cè)、尺寸形位檢測(cè)及外觀缺陷檢測(cè)。許多企業(yè)前期也嘗試過(guò)組建算法團(tuán)隊(duì)做AI開(kāi)發(fā)，解決檢測(cè)智能化問(wèn)題，但組建算法團(tuán)隊(duì)所需的算法人員、投入研究過(guò)程的時(shí)間成本、AI訓(xùn)練需要投入的服務(wù)器等機(jī)器成本累加起來(lái)，預(yù)估達(dá)到百萬(wàn)級(jí)，負(fù)擔(dān)過(guò)重。

汽車(chē)制造商在智能化轉(zhuǎn)型的過(guò)程中主要遇到會(huì)以下主要問(wèn)題：

1.?如何降低業(yè)務(wù)探索階段的成本投入？

2.?如何對(duì)瑕疵缺陷做到精確的標(biāo)注，從而提供高質(zhì)量的訓(xùn)練數(shù)據(jù)？

3.?如何收集到各種瑕疵缺陷的數(shù)據(jù)，彌補(bǔ)缺陷樣本少的痛點(diǎn)？

4.?如何適配各種硬件，簡(jiǎn)單高效完成部署工作？如何保證預(yù)測(cè)效率？

那么，跑碼地Coovally-智能AI視覺(jué)平臺(tái)就是最好的助手！

Coovally針對(duì)高精密制造中部件和產(chǎn)品的表面極微瑕疵、微結(jié)構(gòu)缺陷、大范圍一致性、高速高效等問(wèn)題能夠形成一整套有效的解決方案，體現(xiàn)了“以數(shù)據(jù)為中心”或“數(shù)據(jù)驅(qū)動(dòng)”的AI落地技術(shù)。 是解決“實(shí)驗(yàn)室結(jié)果好于實(shí)際運(yùn)行效果”這一痛點(diǎn)的核心利器。

Coovally基于模塊化的工程方式，以提升數(shù)據(jù)質(zhì)量為中心，提供智能數(shù)據(jù)標(biāo)注模塊、數(shù)據(jù)增強(qiáng)工程化流程模塊、AI模型庫(kù)（包含150+常規(guī)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型）、項(xiàng)目管理與分享模塊、模型適配與部署模塊。并且支持云端模型轉(zhuǎn)換和邊端模型轉(zhuǎn)換。云端模型轉(zhuǎn)換指轉(zhuǎn)換后的模型可部署在云端的服務(wù)器上進(jìn)行推理，邊端模型轉(zhuǎn)換指轉(zhuǎn)換后的模型可部署在邊緣端的設(shè)備上進(jìn)行推理。從根源上解決“高昂價(jià)格、模型單一”的問(wèn)題，可一次性部署平臺(tái)，自由使用所有模型。

以汽車(chē)軸承的缺陷檢測(cè)為例，根據(jù)缺陷類(lèi)型選擇合適的任務(wù)類(lèi)型：

端面與外徑缺陷檢測(cè)因需要定位到具體的缺陷位置，且缺陷特征較為一致，因此適用于物體檢測(cè)模型；內(nèi)徑銹蝕檢測(cè)因需要定位到銹斑的具體位置，且銹斑大小、形狀不統(tǒng)一，因此適用于圖像分割模型。

接下來(lái)汽車(chē)軸承的缺陷檢測(cè)著手?jǐn)?shù)據(jù)準(zhǔn)備→模型訓(xùn)練→模型部署：

數(shù)據(jù)準(zhǔn)備

汽車(chē)軸承待檢測(cè)的瑕疵缺陷過(guò)小，標(biāo)注難度大，同時(shí)標(biāo)注數(shù)量大，人力成本高。但在跑碼地Coovally的標(biāo)注界面上，可以按需縮放或?qū)﹁Υ萌毕葸M(jìn)行增強(qiáng)，從而進(jìn)行精準(zhǔn)標(biāo)注。

模型訓(xùn)練

部分瑕疵缺陷的樣本量少，如何提升數(shù)據(jù)利用率？

借由跑碼地Coovally的圖片增強(qiáng)功能，可將一張圖片衍生多張圖片，提高數(shù)據(jù)利用率。同時(shí)，通過(guò)自動(dòng)超參搜索策略，完成相對(duì)復(fù)雜場(chǎng)景數(shù)據(jù)訓(xùn)練的利用率，同時(shí)可以產(chǎn)出基于這個(gè)場(chǎng)景最優(yōu)的參數(shù)組合，達(dá)到更高的模型精度。如果目標(biāo)檢測(cè)物過(guò)小，可以選擇小目標(biāo)檢測(cè)算法，無(wú)代碼訓(xùn)練出精確率達(dá)90%的可用模型。

模型部署

模型訓(xùn)練完成后可直接下載pt文件進(jìn)行適配，簡(jiǎn)便又快捷。

基于跑碼地Coovally機(jī)器學(xué)習(xí)檢測(cè)算法，使用工業(yè)相機(jī)對(duì)產(chǎn)線上的軸承進(jìn)行圖片拍攝，通過(guò)傳感器獲取軸承的幾何參數(shù)繪制成圖像，生產(chǎn)現(xiàn)場(chǎng)的服務(wù)器進(jìn)行圖像分類(lèi)和檢測(cè)，判斷軸承的外觀質(zhì)量是否符合要求，可檢測(cè)軸承的擦傷、磕碰傷、磨傷、削料、銹蝕等瑕疵。最終達(dá)到縮減開(kāi)發(fā)人員、提高開(kāi)發(fā)效率、簡(jiǎn)化模型部署的效果。

實(shí)際上，機(jī)器學(xué)習(xí)檢測(cè)算法在產(chǎn)品檢測(cè)方面的應(yīng)用還有很大的潛力可供挖掘。不僅在汽車(chē)零部件行業(yè)，在電子、半導(dǎo)體、3C、鐵路、研究院所都有很強(qiáng)勁的需求，跑碼地Coovally的最終目標(biāo)就是幫助更多企業(yè)低成本實(shí)現(xiàn)AI算法自由。