收益：
- 利用机器视觉了解汽车生产线中表面、焊接和装配缺陷检测的工作流程
- 能够以结构化方式使用人工智能来建立图像数据集、标记、模型训练和阈值确定
- 能够通过考虑逃逸率和误剔除率、生产线速度和操作员信心来验证质量决策
一辆汽车由数千个零件组成，每个零件在几秒钟内通过生产线。用肉眼检查每一个焊缝、每一个油漆表面、每一个装配而没有任何错误，既累人又不一致；眼睛疲劳，注意力分散。这就是机器视觉和人工智能的用武之地：相机对零件进行成像，人工智能模型在一秒钟内标记出缺陷。在本单元中，我们将讨论如何在汽车生产中建立图像质量控制、人工智能的作用以及最关键的问题——误差平衡。
汽车中典型的视觉缺陷
目视检查的主要缺陷类型：
- 表面/油漆缺陷：橘皮（油漆粗糙）、灰尘气泡、渗色、划痕、色差。
- 焊接缺陷：焊缝不完整、飞溅、气孔、错位焊点。
- 装配缺陷：螺栓缺失、夹子安装不正确、密封件装反、连接器松动。
- 标签/标记：VIN 难以辨认、标签错误、印章缺失。
其中一些缺陷仅仅是美观（轻微划痕），而另一些则是安全关键（不完整的焊接可能导致车身接头出现疲劳裂纹）。这种区别决定了所有后续的决定。
提示：不要以同样的严肃态度对待每一个缺陷。在对缺陷进行分类时添加“美观/功能/安全关键”标签是获得正确阈值和决策逻辑的关键。
两种基本方法：监督分类和异常检测
视觉缺陷检测有两种主要策略：
- 监督分类/检测：您通过向模型展示许多标记图像来教导模型，并说“这里是有缺陷的示例，这里是完美的示例”。如果您知道缺陷的类型并有足够的示例，那么它会非常有用。挑战：很难收集足够的罕见缺陷样本（一条生产线几乎总是生产实心零件）。
- 异常检测：仅向模型显示“正常/稳健”图像；该模型了解正常情况是什么样子，并将任何偏离正常的情况标记为“异常”。即使您事先不知道缺陷类型，它也可以捕获新的/意外的缺陷。困难：可能将任何偏差误认为是故障（例如照明的变化）。
在实践中，两者一起使用：异常检测表示“这里有一些奇怪的东西”，分类表示“这是资源反弹”。
一步一步：建立目视检查系统
- 缺陷目录和验收标准：与质量工程师一起定义接受/拒绝哪些缺陷。这就是模型的“真相”。
- 图像采集：恒定、一致的照明和相机位置至关重要。照明不良/不稳定是最常见的故障原因。
- 标记：专家标记缺陷；标签指导对于一致性至关重要。
- 模型训练：训练监督模型和/或异常模型。
- 阈值：模型给出“缺陷概率”；这是您将视为“拒绝”的概率阈值。这是最关键的业务决策（如下）。
- 线路集成：模型做出决定，可疑部件被引导至操作员/站。
- 监控和再培训：模型随着新的缺陷类型、季节变化、新零件的出现而更新。
最关键的问题：泄漏与误剔除的平衡
汽车中的缺陷检测存在两种错误，其成本差异很大：
- 泄漏（逃逸/漏报）：有缺陷的部件被认为是“好的”并通过生产线。在安全方面，这意味着有缺陷的车辆进入现场、客户投诉，甚至召回。最昂贵的错误。
- 错误拒绝（错误拒绝/误报）：完好的部分被认为是“有缺陷的”并被拒绝。这意味着浪费、不必要的返工、生产线减慢；虽然很痛，但不会造成安全风险。
决策阈值
逃亡者
错误拒绝
什么时候？
宽松（门槛高）
增加（危险）
减少
从未走上安全轨道
严格（低门槛）
减少
增加（成本高昂）
关于安全关键部件
平衡的
中等
中等
审美缺陷
注意：在安全关键部件（制动器、转向、车身焊缝）上，门槛始终保持紧密，以最大限度地减少泄漏；可疑的部分指向人类。因为“错误拒绝代价高昂”而放宽门槛在安全方面是不可接受的。
人机分工
在一个完善的系统中，模型并不是最终的决策者；这是一个“预筛选”。该模型会发现明显的缺陷，并将他们不确定的信息发送回给人类。这使得操作员能够专注于 30 个可疑零件，而不是查看 1,000 个零件。操作员信心也很重要：如果模型产生太多误报，操作员就会停止认真对待警报（“警报疲劳”）。这就是为什么错误拒绝率也受到监控。
小型案例研究
案例 1 - 照明陷阱。虽然油漆检测模型在实验室中的成功率高达 98%，但其成功率甚至下降至 80%。点评：线路上的天花板照明在白天发生变化，模型认为亮度的差异是一个“缺陷”。添加固定隧道照明后，成功率提高到 97%。结论：图像质量比模型更具有决定性。
案例 2 - 泄漏成本。在船体焊缝检查中，“为了效率”，阈值稍微放宽；误报率从 6% 下降到 3%，但一个月后，现场报告有两辆车出现焊接裂纹。根本原因分析表明泄漏率有所增加。门槛再次收紧，可疑部位百分百被人为掌控。结论：减少安全部分的泄漏始终优先于错误拒绝。
案例 3 - 罕见缺陷。偶尔，新的注塑模具会出现非常小的毛刺缺陷，但在监督模型的训练中几乎没有这种缺陷的例子，因此它会漏掉。当异常检测模型被激活时，它会将其检测为“偏离正常”。结论：罕见/新缺陷的异常检测补充了监督模型。
提示模板
模板 1 - 缺陷目录和严重程度分类：
角色：您是一名汽车质量工程师。任务：将以下缺陷列表按严重程度分类。背景：车身焊接线；缺陷：飞溅、气孔、缺点、轻微色差、表面划痕。约束：将每个缺陷标记为美观/功能/安全关键并建议决策（接受/人工检查/拒绝）。输出：缺陷 |重要性|拟议决定|理由表。
模板 2 - 标签指南：
作用：图像标注质量领先。任务：编写油漆缺陷标签的一致性规则。背景：橘皮、跑、尘泡；有在不同照明下拍摄的图像。输出：规则|示例|极限状态|标记器注释。
模板 3 - 解释阈值/指标决策：
角色：机器视觉评估者。任务：解释以下决策阈值表。上下文：安全关键资源；在阈值A处，泄漏为0.3%，错误拒绝为5%；阈值 B 处的泄漏 1.2% 错误拒绝 2%。约束：遵守安全优先级；解释您推荐的阈值及其原因，并添加人工控制步骤。输出：建议+理由+剩余风险。
模板 4 - 根本原因分析：
角色：您是一名质量工程师。任务：列出过去 3 个班次中增加的飞溅缺陷的可能根本原因。背景：机器人点焊； 2天前更换电极；当前设置已固定。输出：可能的原因 |验证检查|优先事项。
弱提示/强提示
弱提示：
制作一个模型来发现有缺陷的零件。
不清楚哪个缺陷、哪个重要性、哪个阈值、哪个决定；结果是没用。
强力提示：
角色：您是一名汽车质量和机器视觉工程师。任务：创建车身焊缝视觉系统的设计清单。背景：安全关键点焊；线速度高；存在罕见缺陷；光照变量。约束：优先考虑最小化泄漏；指定如何将异常检测与监督分类和人工控制步骤相结合；保证“零错误”。输出：阶段 |建议 |风险|验证表。
常见错误
- 忽略照明/图像质量。糟糕的形象甚至会毁掉最好的模型。
- 将泄漏和错误拒绝视为同等。汽车安全部件的泄漏成本要高得多。
- 仅依靠监督模型来处理罕见的缺陷。异常检测是互补的。
- 让模型成为最终决策者。可疑部分应针对人类。
- 忘记再培训。新零件、新模具和季节变化使模型变得陈旧。
综上所述
- 机器视觉和人工智能快速、一致地检查汽车生产线上的表面、焊接和装配缺陷。
- 监督分类对已知缺陷较强，异常检测对罕见/新缺陷较强；两者一起使用。
- 最关键的决定是阈值：安全关键部分的泄漏（假阴性）最小化，可疑部分传给人类。
- 图像质量和照明往往比模型更具决定性。
- 该型号为预筛机；最终的质量决策和安全责任在于人。
应用任务
选择零件/站（例如前保险杠组件）。 (1) 列出可能的缺陷，并将每个缺陷标记为美观/功能/安全关键。 (2) 使用模板 3，比较泄漏/错误拒绝的两个阈值选项并证明建议的合理性。 (3) 解释对于罕见缺陷是否会使用监督检测或异常检测。 (4) 定义人工控制步骤和再训练触发器。
清单
- [ ] 我将缺陷分为严重级别（美观/功能/安全关键）。
- [ ] 我评估了阈值决策中非法拒绝和错误拒绝的平衡。
- [ ] 我优先考虑安全关键部分的泄漏。
- [ ] 我将监督方法和异常方法放在适当的位置。
- [ ] 我已指定图像质量/照明要求。
- [ ] 我定义了人类控制步骤和再培训计划。