机器视觉在相当长的一段时间内一直是汽车行业不可或缺的一部分。通过将机器视觉整合到其制造流程中，制造商可以维护质量标准并满足客户期望。机器视觉在各种汽车部件方面具有优势，例如车轮、安全气囊、发动机、天窗和机械零件。虽然传统的基于规则的机器视觉系统可能无法满足所有检测要求，但深度学习可以有效解决制造检测过程中的这些差距。Neurocle 为汽车流程中视觉检测中遇到的各种挑战提供解决方案，并提供适用于整个汽车流程的深度学习技术。

挑战：频繁的过度杀伤和环境变化

R Company 是一家从事汽车研发和生产的完整汽车制造商，在行业内建立了良好的声誉，并通过卓越的品质赢得了客户的信任。多年来，R Company 一直在推动汽车生产过程中的检测自动化。对自动化检查以识别组件缺陷和评估工作条件的需求非常强烈。R Company 认识到基于深度学习的检查在提高车辆质量方面的潜力，因此两年前聘请了该机构的深度学习工程师来开发深度学习算法和模型。然而，由于各种环境变化，例如频繁的零件更换和工艺变化，他们在实际生产线上实施深度学习解决方案时面临挑战。

R 公司有两个主要的检查项目，旨在通过在生产线上应用深度学习视觉模型来执行。第一个项目侧重于验证螺栓的最终组装。以前，螺栓组件检查是使用智能视觉相机实现的。然而，过度检查经常发生，导致检查过程分为两步。最初，检查是使用视觉摄像头进行的，然后由工人进行人工检查。将检查分为两个步骤会导致时间和资源的浪费。

第二个项目是识别 VIN 号并对 VIN 进行分类，以便出口和国内使用。要执行该测试，需要两个深度学习模型：文本识别 （OCR） 和分类。当时，由于 OCR 模型性能不佳，R 公司无法达到目标检测速度。 在面临检测自动化障碍的同时，R Company 在国内自动化展览会上发现了 Neurocle 的解决方案，该解决方案可以保证在任何过程中保持一致的检测性能。

Neurocle 的解决方案：自动深度学习

缩短检查流程并实现小于 0.5% 的过杀率

螺栓装配测试中过度检查的原因是标签不准确。随着外包深度学习模型开发的进行，由于外部深度学习工程师对图像数据的理解有限，在标记过程中出现了问题。Neurocle 的自动深度学习技术提供了一个环境，让内部工业工程师（而不是外包工程师）可以直接处理整个建模过程，大大提高了图像数据和模型的质量。

Auto Deep Learning 技术是指自动选择合适的架构和训练参数以生成高性能深度学习模型的模型训练算法。此功能使用户只需一次训练即可创建高性能深度学习模型，而无需编码。该算法内置于 Neurocle 的训练软件 Neuro-T 中，使内部工业工程师能够独立处理检测项目。

此外，R 公司还利用 Neurocle 的自动标记功能来显著减少标记资源。借助此功能，工业工程师可以在一天内标记大量图像数据。这是可能的，因为此功能会根据用户标记的几张图像自动标记图像。

结果，通过基于自动深度学习和自动标签技术的模型训练，成功实现了低于0.5%的目标超检率，并将检查过程从两个阶段减少到一个阶段。

检查速度提高到每个项目 0.6 秒

△VIN 号识别示例

为了执行 VIN 号识别和分类项目，有必要将两个相应模型的并联连接到检查中。因此，单个模型的性能和模型的操作环境都可能影响检测速度。

两种深度学习模型的作用如下。文本识别模型识别每个 VIN 号的文本，分类模型分析 VIN 的形式以区分国内模型和出口模型。

使用名为 Neuro-T 的自动深度学习软件，生成了每个深度学习模型。 通过在多个 GPU 上运行模型，过去每个项目大约需要 2 秒的检查时间缩短到 0.6 秒。 此外，用户可以利用名为“推理中心”的功能，在将模型应用于工业现场之前，您可以在概念验证 （POC） 阶段预测和评估性能。使用此功能，用户可以更改模型，直到它们达到最佳性能。

使用 Neurocle 解决方案进行可用的汽车检查

Neurocle 的自动深度学习视觉检测功能在各种检测过程中使用时，可以提高成品的质量。

表面检查

Neurocle 的深度学习模型可以准确检测压制成件中的真正缺陷，例如电机罐、车轮和引擎盖组件，这些部件由于表面材料的特性而会出现漫反射。此外，客户可以对车辆内部/外部进行表面检查，包括安全带、安全气囊、阀门组件、电机和电池。还可以识别和分类某些类型的组件或文本。基于与全球汽车客户的各种项目，Neurocle 可以与客户分享其专业知识，并指导他们通过光学系统合成、图像采集和模型生成来引领最佳视觉检测。

组装检查

装配检测项目大多由复杂的检测过程组成。基于规则的检测算法不适用于复杂的装配检测项目，并且经常导致频繁的错误。另一方面，基于深度学习的缺陷检测适用于这种类型的检测，因为它们可以灵活地识别图像视觉外观中的变量。

Neuro-T 已成功执行复杂的检查，包括识别车门内的多个成型区域，并以 99% 的准确率检测每个成型区域是否存在缺陷。Neurocle 的深度学习模型非常适合需要多个深度学习模型或快速检查的项目。此外，它们在密封、焊接和 VIN 检查方面表现出优异的性能。