导读

2025.6.18

汽车制造是一个复杂的过程，每个阶段都需要精确操作和严格的质量控制。我们将展示友思特自动深度学习平台Neuro-T，基于深度学习技术，如何在整个生产过程中革新缺陷检测和质量保证工作。

本篇文章将介绍案例四：

气缸盖缺陷检测。利用深度学习检测气缸盖的横截面缺陷，并将该解决方案集成到现有的检测设备中，以取代人工和基于规则的检测方法。

---

现场情况

汽车发动机检测

在发动机制造过程中，在组装阶段之前进行检测至关重要，以确保所有部件都放置正确、无缺陷且组装精确。汽车发动机由各种关键部件组成，如气缸盖、气缸体、水泵、发动机缸体和油底壳，其中气缸盖和气缸体对发动机性能最为关键。

确保正确组装对于发动机的可靠性至关重要。即使是微小的缺陷，例如气缸盖外部的一个小孔，也可能导致严重问题，包括燃烧过程中的燃油泄漏。这不仅会降低燃油效率，还会带来重大安全风险，如发动机爆炸。

基于传统图像处理（基于规则）的气缸盖检测面临的挑战

（1）复杂的几何形状：发动机部件的曲面和复杂结构使得基于预定义规则的系统难以准确检测缺陷。

（2）油污污染：发动机在制造过程中经常会接触到油污。检测灯光下，部件表面的油污会反射光线，使缺陷的外观产生畸变，降低了基于规则的检测系统的准确性。

具体现场情况——某发动机制造商（D公司）

（1）检测流程：D公司的检测工作包括检查发动机横截面是否存在缺陷，尤其是有问题的孔洞。在发动机进入组装环节之前，采用人工检测和基于规则的系统相结合的方式来检测缺陷。

（2）人工检测过程：检测人员目视检查每台发动机，手动判断其是否合格或存在缺陷，然后逐个按下按钮记录检测结果。

（3）产品处理方式：合格的发动机被放置在夹具上，送往装配线；有缺陷的发动机则被移除进行维修。

D公司此前采用了基于规则的检测系统，但遇到了性能问题，随后转向深度学习解决方案。然而，与供应商的合同到期后，没有供应商的支持，设备便无法使用。由于缺乏具备深度学习专业知识的人员，已实施的系统只能闲置。

存在问题

D公司依靠人工检测和基于规则的检测相结合的方式，但人工检测过程中经常出现人为错误。此外，基于规则的系统常常会具有较高的过检率。

检测人员没有固定的检测线路，会在生产区域自由走动，随机对发动机进行检测。这种不规范的检测方式导致检测准确率波动较大。

当有缺陷的发动机进入组装阶段后，就不得不退回检测线，进行拆解和重新组装，这是一个重复且低效的过程，严重影响了生产秩序。

解决方案

开发和优化高性能深度学习模型

（1）在现有的检测设备上安装了一个深度学习分类模型，用于识别和评估发动机表面有缺陷的孔洞。该模型能够检测出缺陷是否存在。

（2）当出现新的缺陷类型时，可以利用现场额外的数据对模型进行重新训练。这个重新训练的过程操作简单，不需要具备深度学习专业知识，质量管理人员可以根据需要对模型进行更新。

实现检测工作流程自动化

（1）开发了一个分类模型来判断发动机是否合格。根据模型的检测结果，发动机会自动被分流到合格产品线和缺陷产品线。

（2）现在，检测人员只需对模型标记为有缺陷的发动机进行人工复检，这大大减轻了他们的工作负担。

（3）经检测人员确认有缺陷的发动机将自动从生产线上移除进行返工处理；如果无法返工，则直接报废。

成果与效益

借助友思特Neuro-T自动深度学习平台，提供简洁直观用户友好的界面，D公司如今能够自主创建、重新训练和部署深度学习模型，无需依赖外部深度学习专家。质量管理人员可全程把控从数据标注到模型部署的整个工作流程，持续提升检测系统的性能。

这种先通过深度学习进行缺陷检测，再进行人工核验的自动化工作流程，极大地提高了生产效率。如今，检测人员只需专注于核验被标记出的产品，而无需对每个产品都进行检查。

其结果是，气缸盖的日产量从300件提高到了400件，提升了33%。同时，缺陷检测率也提高到了96%，确保了发动机生产的稳定和高质量。

项目主要图片

使用Neuro-T深度学习模型对气缸盖缺陷检测的结果。

正常（无缺陷）气缸盖原图

有缺陷汽缸盖原图

基于分类模型的汽缸盖缺陷检测结果

Neuro-T：零代码自动深度学习训练平台

友思特 Neuro-T 是一个用于深度学习视觉检测项目的一体化平台，可用于 项目规划→图像预处理→图像标注→模型训练→模型评估 一系列任务。Neuro-T提供了便捷的工具和友好的图形化界面，只需四个步骤即可创建一个深度学习模型。

欢迎访问官网，探索丰富案例：https://viewsitec.com/neurocle/