0 引言

汽车产业呈现车型配置多样化、新能源加速导入两大趋势。G公司YC工厂MES中车型MTOC超3000项，新能源导入预计新增检查项目千余例，人工检查难以保证质量，2024年因外观检查失控损失约19.1万元。本文结合该工厂AI视觉检测项目实践，探讨系统架构、关键技术及实施效果，以期为汽车行业总装装配防错提供参考。

1 总装外观防错现状与问题

1.1 防错技术分类与应用

防错技术分为不制造缺陷、不传递缺陷和不接受缺陷三个层次。在总装领域，防错体系从设计、工艺、物流和管理四维度构建，视觉防错技术因快速、准确、柔性自动化等优势，已在该工厂涂胶引导、零件识别及预查验等多场景应用。

当前总装车间外观检查面临的主要问题：一是MTOC项目繁多，MES中车型MTOC超过3000项，人工检查需要记忆大量标准，容易出现遗漏；二是人工保证能力不足，完全依赖质检人员目视识别，受疲劳、经验和光线等因素影响较大，历年来发生多项次外检查项未能有效控制的质量流出事件，直接经济损失巨大；三是新能源车型加剧挑战，新增电池包安装状态、高压线束连接等检查项目1000余例，若维持人工检查模式，将面临人员增补压力和质量风险的双重挑战。

2 视觉检测系统整体方案

2.1 系统架构设计

针对上述问题，项目团队设计了总装车辆装配状态自动检查系统，整体架构如图1所示。检测设备安装于外装F153-F154岗，主要包含龙门桁架、伺服驱动机构和AI视觉三大部分。车辆在板链上移动的过程中，摄像头随行进行AI检测，保证52s节拍内完成全部86项检查。

图1 视觉检测系统工作流程

系统工作流程分为五个步骤：队列获取（从MES读取车型信息）、设备随行（龙门架与车辆同步移动）、图片采集（多视觉传感器协同拍摄）、分析反馈（AI算法实时处理）和设备返回（复位等待下一辆车）。

2.2 机械与电气系统

机械部分采用碳钢材质轻量化桁架结构，包括龙门架及导轨、齿轮齿条驱动及丝杆导轨模组三大部分，如图2所示。碳钢材质精简设计减轻自重，为摄像头提供稳定支撑；直线滑块配合齿轮齿条驱动满足设备快速高精度运动；X/Y/Z方向丝杆导轨模组实现摄像头位置快速切换，适应多车型柔性检测需求。

图2 龙门桁架机械结构示意

电气部分通过多系统协同实现数据交互、处理及信息管理。主要包括：无纸化系统模组、MES系统接口、视觉PLC控制器、伺服控制系统、安全管理系统和AI视觉系统，如图3所示。电气系统具备线体异常止呼带功能，遇异常自动报警停机，同时实现质量数据追溯和人员异常对应的安全防护。

图3 电气控制系统架构

3 基于AI视觉的防错检测技术

3.1 视觉检测项目筛选

通过对过往不良数据、返修率等多维度梳理，参考行业内工厂实绩，结合技术可行性和节拍等工艺需求评估，项目团队从数千项检查项目中筛选出86项视觉可行项目，具体如表所示，其中：电器类32项（占比37.2%），涵盖车辆灯光配置、亮灭功能检测；外观类38项（占比44.2%），涵盖格栅类型、车轮轮辋派生、饰件选装；机舱类16项（占比18.6%），涵盖管路卡箍朝向、盖子装配、标签字符。项目筛选遵循以下原则：高频不良项目优先、技术可行性优先且节拍内可行。

3.2 多技术融合的视觉检测

系统采用11台800万像素相机，分布于车辆四周及上方进行随行拍摄，如图4所示。相机布局覆盖车身顶部、四门、前后风窗、发动机舱和行李舱等关键检查区域。工控机及视觉软件具备数据存储、数据索引功能，记录信息包含车型、车号、检查结果（OK或NG）、检查时间及检查结果的图片等，以便于人员快速、方便地查找信息。数据保存在工控机硬盘中，历史结果数据的追溯可达10年以上，检测处理结果图片保存10万车，循环覆盖。

图4 相机布局示意（俯视）

针对不同类型检测项目，融合四种视觉技术应用，如图5所示。

图5 四种视觉技术应用实绩展示

（1）模型匹配算法：用于复杂场景下的零部件识别，通过深度学习模型训练大量样本，使系统能够适应不同光线、角度下的检测需求。实际用于制冷剂加注后空调高低压管堵盖漏装等。模型匹配检测在制冷剂加注后空调高低压管堵盖漏装中的运用难点在于如何选取合适的拍摄位置，确保SUV、轿车两类车型能同时兼顾，保证空调管安装精度内拍摄无遮挡。堵盖黑色、空调管银白色、机舱内无全黑喷涂，光线影响在本项目无显著影响。

（2）AI分类检测技术：用于同一位置部件特征存在显著差异，通过学习各类目标的特征（如形状、颜色和纹理等），从而使系统具备对新输入的视觉信息自动分类的能力。实际用于发动机冷却液与中冷器冷却液壶盖相互错装等。

（3）灰度检测技术：用于整车外部灯光装配状态检查，通过灰度值对比分析，算法对图像中的异常斑点区域进行定位和标记，与标准模板比对判断，识别细微偏差。实际用于前照灯、制动灯、雾灯和危险报警灯等配置是否正确、亮灭是否正常。

（4）OCR字符识别：用于车辆标识、零件批次号等字符信息的自动读取和核对，提取并转化为可编辑文本的检测技术。实际用于检测车辆VIN号是否清晰正确，确保与MES系统中信息一致。

3.3 检测流程与异常处理

视觉检测系统与MES系统联动，工作流程如图6所示。车辆进入检测工位前，MES将车型配置信息发送给视觉系统；视觉系统根据车型信息调用对应的检测模板和参数；车辆通过时，11台相机按预定轨迹随行拍摄；图像实时传输至视觉服务器进行AI算法处理；检测结果同步上传MES并与车辆VIN码绑定。当检测到异常时，系统立即上报MES并触发声光报警，提示现场人员介入处理。处理完成后，系统记录处理结果，形成异常闭环管理。所有检测图片和结果数据均存储于服务器，实现“一车一档”质量数据可追溯。

图6 视觉检测系统工作流程图

4 项目实施与效果评估

4.1 投资与收益分析

本项目采用联合开发形式，通过过程学习和部分自立化开展，节约安装调试费用后，项目投资约100万元。收益分析主要从人效提升（①视觉检查项目86项对应人工检查工时84s,结合其它操作改善实现体制削减2人；②质检岗人均成本14.5万元/年）和质量改善（外检查项流出返工追溯直接经济损失约19.1万元/年）两个维度进行，投资回报周期2.08年。

4.2 无形效益与能力建设

除有形效益外，项目实施还带来显著无形效益。团队新增AI视觉开发调试能力4人，掌握分类开发、灰度检测开发、匹配检测开发等核心技术，可自主开展项目调试及问题改善。同时实现“一车一档”质量数据无纸化管理，便于数据统计分析。该项目也成为分公司工业旅游及智能制造标杆，成为强化“新四化”技术展示项目，吸引业内同行参观学习。

5 结语

本文以防错技术理论为基础，结合工厂总装车间AI视觉检测项目实践，对整车下线外观视觉防错进行研究，得出以下结论：

第一，AI视觉检测技术能够有效应对车型配置复杂化和新能源车型导入带来的质量挑战。通过多视觉传感器协同和深度学习算法，经过3个月的验收测试采集样本数据约2万台，可在指定节拍内完成86项外观及装配状态检测，视觉判断结果与实绩装配一致性达99%以上。

第二，视觉防错系统实现了从“人眼判断”到“智能识别”的转变，不仅提升检测效率和一致性，还建立了“一车一档”质量追溯体系，为持续改进提供数据支撑。

第三，项目投资回报周期约2.08年，兼具人效提升和质量改善双重效益，同时培养内部AI开发调试能力，具有较高的推广价值。

展望未来，随着AI技术的快速发展，视觉检测将向更广范围、更深层次延伸。一方面，可拓展至更多检测场景，如涂装表面质量、焊接点缺陷等；另一方面，可结合预测性维护、数字孪生等技术，构建全流程智能质量管控体系。防错技术的理想状态是不制造缺陷。随着AI视觉技术的不断成熟和完善，相信“零缺陷”制造的目标将离我们越来越近。

参考文献

[1] 夏丹，吴恋.慧眼识瑕，品控全域智判——“车间里的AI”系列报道之三[N].浙江日报，2026-01-26.

[2] 肖璇.每118秒下线一台新车——中国联通5G+AI工业质检助力汽车智造新标杆[EB/OL].通信世界网，2025-07-08.

[3] 张亚光，董超.防错技术在变速器装配线的应用研究[J].汽车制造业，2024(8)：44-46.

[4] 王宇鹏.S整车厂总装车间紧固类工艺防错优化实践[D].北京：清华大学，2023.

[5] 钟志良，宋卫涛，张瑞军.汽车总装防错体系研究[J].汽车工艺与材料，2024（7）：28-33.

[6] 浅谈动力总成装配防错[EB/OL].汽车之家，2024-07-01.

[7] 柳姗姗,彭冰,尉迟中诚.灯塔项目背后的“数据破壁人”[N].工人日报,2025-04-30.

本文为“AI汽车制造业”首发，未经授权不得转载。版权所有，转载请联系小编授权（VOGEL100）。本文作者：屈健鹏 马成 邓宗良 向春元 张莹，单位：广汽传祺汽车有限公司宜昌分公司。责任编辑龚淑娟，审核人李峥。本文转载请注明来源：AI汽车制造业