基于YOLOv5s 算法的汽车零件防错装检测系统

李武波，黄 利，刘 兴，郭 峰

（一汽-大众汽车有限公司佛山分公司，广东佛山 528000）

0 引言

随着汽车行业发展及大众对汽车产品认识的提升，汽车的配置越来越丰富。为了避免在汽车生产时发生零件错漏装，以往总装车间采用加强出厂前人员检测来解决这一难题。从实际运行效果来看，人工的检测可靠性低，尤其是对于涉及多车型多配置零件，人工存在识别疲劳造成检测错误，导致的汽车配置错误，进而产生一系列售后问题，甚至导致经济损失。例如，一汽-大众佛山工厂总装车间总共有16 种汽车轮毂零件，为确定4个轮毂是否异常，终检人员需绕车一圈检测。不仅存在人员识别错误风险，而且需要花费大量检查的时间。采用计算机视觉开展目标检测势在必行。

本文使用的技术是计算机视觉中的目标检测（object detection）［1］方向，是计算机视觉识别的重要研究方向，在工业检测/机器人/智能视频监控等方面的应用特别广泛，具有重要的现实意义［2］。2016-2018 年期间，国内外的专家学者相继提出基于深度学习的单阶段目标检测的算法YOLO［3-4］系列和SDD［5］系列。2021 年，Ultralytics LLC公司提出了YOLOv5 算法，YOLOv5 是现今较先进的目标检测算法，在计算速度上表现非常出色。YOLOv5根据网络模型宽度和深度的差别，从小到大依次递增分别共有4 种版本，它们是YOLOv5s、YOLOv5m、YOLOv5l 以及YOLOv5x［6］。其中，YOLOv5s 是其中的网络深度和特征图宽度最小的，识别运行速率也最快。

在汽车机器视觉检测应用中，2020 年，张丽秀等通过采用改进的YOLOv3 算法实现汽车零件配置的识别，解决传统的终检人工作业检测的弊端［7］。为进一步提高识别速度和检测质量，基于YOLO 系列中YOLOv5s 具有体积小、速度快和易开发等优势，本文采用YOLOv5s算法，研发零件防错装检测系统，通过对汽车生产线过程中轮毂、前后杠、尾标等零件进行配置识别，取代了传统汽车零件装配后依靠人工检测。

1 YOLOv5s目标检测算法

YOLOv5s 网络由输入端（Input）、骨干网络（Backbone）、Neck层、输出层（Prediction）4 个部分组成。其网络模型结构如图1 所示。

图1 YOLOv5s网络结构模型

1.1 输入端（Input）

相对其他版本，输入端在Mosaic数据增强、自适应锚框计算、自适应图片缩放3 方面做了优化提升，Mosaic数据增强通过4 张图片的随机排布、绽放、裁剪的方式拼接形成一张新图片，然后将该张图片传入神经网络学习；自适应锚框是指针对不同的数据集，都需要设定特定长宽的锚点框；自适应图片缩放将自适应地添加最少的黑边到图片中，从而减少了计算量，提升了YOLOv5 的推理速度。

1.2 骨干网络（Backbone）

YOLOv5s 的骨干网络（Backbone）结构由Focus 结构、CSP结构［8］组成。Focus 对图片做切片操作，从一张高分辨率的图片中周期性的取出像素点到低分辨率的图片中，图片的相邻位置进行了堆叠，提高了每个像素点的视野。新的图片再经过卷积运算，最终得到没有丢失信息的二倍下采样特征图。CSP 主要将feature map 拆成两部分，一部分做卷积运算，另一部分和上一部分卷积运算结果进行连接。通过以上步骤，可以降低模型的计算量，提升运算速率。

1.3 Neck层

Neck层是指一系统混合和组合图像特征的网络层，并将图像特征传递到预测层。YOLOv4 的Neck 层采用FPN+PAN结构，其中FPN 层是自顶向下传达强语义特征，PAN是自底向上传达定位特征。YOLOv5 仍采用的是这种结构，与YOLOv4 不同的是，采用CSPNet 设计的CSP2结构，增强了网络特征融合的能力，而YOLOv4 的Neck只是进行普通卷积运算。

1.4 输出层

YOLOv5s使用GIOU Loss［11］作为损失函数，通过多轮次运算，不断地调整相应参数，使运算的锚框与实际锚框的误差值最小，最终得到最优的模型。

2 汽车零件防错装检测系统

本文检测系统可用于摄像头拍摄下的汽车外饰零件检测，以汽车轮毂零件为例，系统整体流程图如图2 所示。摄像头安装在轮毂零件装配后的工位，实时拍摄零件；检测系统设定每2 s 读取一次控制生产线的PLC 信号（获得实时的生产线上的每辆车的位置信息）；当车辆到达指定拍摄位置，系统多摄像头获取并保存1 张视频帧图像，并调用YOLOv5s程序对保存图片计算，自动识别出零件配置信息（PR号），并输出标注的检测框图片；识别出的PR号与实际的生产需求PR 号进行比对，如果PR号相同，则实际安装的轮毂零件正确，PR 号不同，则实际安装轮毂零件配置错误，需要更换正确零件。系统保存识别的PR号，实际计划PR号，检测结果等检测信息，便于后续查询及问题追溯。

图2 检测系统流程图

2.1 系统环境及参数设置

本文中的汽车零件检测系统基于YOLOv5s算法，操作系统是Win10 系统。首先需要配置Python3.8.5 的虚拟环境。通过Anaconda3 完成，在系统控制台建立一个命名为“yolov5”的虚拟环境，然后激活yolov5 虚拟环境。YOLOv5s还依赖matplotlib，numpy，opencv，Pillow，tensorflow，pytorch 等库，具体依赖库都保存在YOLOv5的开源文件“requirements.txt”中。控制台输入“pip install-r requirements.txt”，打包安装所需的依赖库。

本系统的YOLOv5s 训练过程的一些关键参数设置为：图片尺寸为640 ×640，初始学习速率设置为0.001，权重衰减系数为0.000 5，网络优化方法选择为SGD，每次训练图片设置为64，训练轮数Epoch为300 轮。

2.2 数据集准备

汽车轮毂作为汽车轮胎必备零件，样式种类多。本文案例中的轮毂共有16 种，不同样式轮毂的PR 号也不一样。为了增加训练的模型的准确性，每种轮毂共收集200～300 张图片，分别在不同光线、分辨率、场景、位置条件下拍摄得到。数据集分为训练集和测试集，共包括5 202 张训练图片和572 张测试图片。人工对训练集和测试集的图片打标签，使用的标注软件为Labelimg，生成训练所需的“.txt”标注文件，标注后的部分图片见图3。

图3 轮毂零件数据样本集

在系统控制台输入“pip install labelimg”，即可安装Labeling标注软件。使用Labeling 软件对5 202 张训练图片和672 张测试图片进行矩形框标注，标注文件包含5个数据，其中第1 个数据为标签物体的类别，后面4 个数据为标签物体在图片中的坐标信息。

2.3 模型训练及结果

本文的检测系统模型训练是在Featurize 上，基于云GPU（显卡）进行训练，GPU 型号为NVIDIA 的RTX3060，拥有12.6 G显存。

将标注好的训练与测试集，基于YOLOv5s算法进行模型训练，采用精确率（Precision）、召回率（Recall）指标作为评价指标，其值越大，说明训练得到的模型准准确度越高。精确率指模型对所有识别出的图片（包括正确识别和误识别为该PR号的图片），正确识别的图片所占的比例［12］。召回率指被正确识别的数量占总识别图片数量的比例［13］。经过训练得到的模型，设定IOU 阈值为0.5 时，结果为精确率为98.964%，召回率为97.863%，训练结果数据如图4 所示。本系统的训练模型只有14.2 MB，正是基于YOLOv5s的权重数据文件小，这样后续在实际检测中，单张图片识别的时间短，满足生产过程的检测实时性要求，实际运行中，该模型在识别时，CPU检测一张图片需要300 ms左右，GPU检测一张图片需要15～20 ms左右时间。

图4 模型训练结果

2.4 检测系统的设备投入

本轮毂检测系统的整体成本为摄像头2 台以及普通微型计算机1 台，其他都是人力投入。摄像头采用海康威视全彩POE摄像头，单价不到500 元，轮毂的检测需要在生产线左右两侧分别安装1 个摄像头。采用1 台微型计算机作为整个工厂所有的零件检测系统服务器，成本约5 000 元。综上，检测系统单次总投入在6 000 元左右。通过该项技术的运用不仅可靠性高，还可为每个零件的检测减少1 个人力投入。

3 检测效果与分析

图5 展示的是实际轮毂识别效果图，利用训练好的模型对摄像头拍摄的图片进行识别。图中的方框是通过模型训练后自动的描框，其中“G8-COX”指的是该轮毂的类别，即PR号，“0.84”是置信度（模型运算判断84%的概率是此PR号，系统设定0.5 即可接受）。

图5 实际识别图

根据实际生产线汽车轮毂零件检测结果，识别正确率在99%以上。本检测系统检测结果保存在一张数据库表中，如图6，便于后续问题追溯。图6 中记录的是图片识别的PR 号、判定结果、检测时间等信息。检测系统还有增加蜂鸣器及手机钉钉提醒功能，当检测到轮毂配置错误时，系统会让生产线的蜂鸣器响，并将错误信息实时发送到相应人的手机钉钉上。

图6 系统结果保存数据表

4 结束语

本文开发了基于YOLOv5s 算法的汽车零件防错装检测系统，以轮毂零件为对象开展验证，通过图片的收集制作了轮毂的训练与测试数据集，使用Labelimg软件完成所有图片的人工标注，为了节省成本，使用云GPU完成了模型的训练。结果表明模型训练精确率为98.964%，召回率为97.863%，系统实际检测结果可靠。

系统解决了汽车生产制造过程中，多配置零件易造成错装的问题。目前已经在一汽-大众佛山工厂完成开发应用，该设备的投入低，能够极大地降低人力成本投入，且检测准确度与效率高。根据实际运行效果表明：该系统优于人工检测，可以满足在生产节拍内零件检测要求，进而提升车辆生产的质量，避免出现错装零件的汽车流入客户中。计划下一步将此技术扩展到零件供应商的生产过程防错检测。