《IEEE Access》：AI for False Scrap Reduction in Computer Vision-Based Dimensional Inspection in the Automotive Industry: Case of Dust-Contaminated Fuse Box Busbars
编辑推荐：
基于计算机视觉（Computer Vision, CV）的质检（Quality Control, QC）是新兴的工业领域，但其在灰尘污染等环境问题下的有效性和效率存在局限，灰尘会引入噪声并阻碍准确的缺陷检测。在分析误报废对摩洛哥汽车工业潜在经济影响的基础上，研
基于计算机视觉（Computer Vision, CV）的质检（Quality Control, QC）是新兴的工业领域，但其在灰尘污染等环境问题下的有效性和效率存在局限，灰尘会引入噪声并阻碍准确的缺陷检测。在分析误报废对摩洛哥汽车工业潜在经济影响的基础上，研究人员通过将人工智能（Artificial Intelligence, AI）集成到现有CV系统中来解决这些关键挑战，并应用于实际场景，具体为“汽车保险丝盒汇流排”的实时尺寸检测。通过利用深度学习（Deep Learning, DL）和数据增强等先进技术，AI增强了系统对环境干扰的鲁棒性，并区分真实缺陷与灰尘引起的误报废。首先，研究人员从汽车生产线创建了真实的“C型汇流排”图像新数据集。其次，采用迁移学习（Transfer Learning），使用预训练且缩放后的EfficientNet-B4深度学习模型，并通过数据增强进一步改进，形成了新颖的深度学习框架。基于所制备的汇流排零件生产数据集对所提方法进行了测试，结果表明报废率显著下降95.12%，每年为汇流排C生产节省约100,000摩洛哥迪拉姆（Moroccan Dirhams, MAD）的废品成本（不包括额外劳动力成本），同时改进了现有实时QC流程。此外，该模型优于ResNet-101和DenseNet-201/VGG-19，准确率分别为90.24%和82.93%。该创新方法展示了AI赋能的CV在革新许多工业部门QC流程方面的潜力，为更可靠、高效和经济的制造运营铺平了道路。
一、研究背景与问题提出
汽车工业正引领前沿技术的应用以提升制造效率与质量控制（Quality Control, QC）水平。在真实汽车制造环境中，基于计算机视觉（Computer Vision, CV）的精确尺寸测量对于QC至关重要，尤其是需要考虑实时性约束时。然而，来自先前工序和处理过程中的异常颗粒物（如灰尘污染）会显著影响测量精度，导致合格零件被误判报废，增加生产成本。具体挑战包括：灰尘干扰会遮蔽边缘并产生虚假特征，改变感知形状和尺寸，导致测量不准确；对于包含不同颜色塑料材料灰尘的复杂金属小零件，有限的数据和分辨率使精确测量和特征检测愈发困难；材料特性、光线交互、图像质量、反光表面和纹理等也进一步影响测量精度。此外，基于人工智能（Artificial Intelligence, AI）的自动视觉检测缺乏标准化评估方法，数据可用性也是深度学习（Deep Learning, DL）应用的重要问题。
研究人员在分析摩洛哥汽车工业误报废潜在经济影响的基础上，针对性地开展了这项研究。研究聚焦于“汽车保险丝盒汇流排”实时尺寸检测中的误报废问题，旨在通过集成AI技术增强系统对环境干扰的鲁棒性，区分真实缺陷与灰尘引起的误报废，从而降低报废率、节约成本并提升生产效率。
二、研究内容与核心结论
研究人员提出了一种基于AI的新方法，利用DL和CV克服上述挑战，确保即使在灰尘存在的情况下也能进行可靠的尺寸测量。研究基于三项原则：报废数据采集（利用现有CV系统识别并记录报废汇流排）、实验室分析报废数据集（通过除尘和测量识别真实报废与误报废，建立标注数据集）、以及使用深度学习卷积神经网络（Convolutional Neural Network, CNN）——特别是缩放（深度、宽度和分辨率）的EfficientNet-B4模型——进行自动化报废识别。研究结果表明，该方法使报废率显著下降95.12%，每年为汇流排C生产节省约100,000摩洛哥迪拉姆的废品成本（不含额外劳动力成本），同时改进了现有实时QC流程。该模型在性能上优于ResNet-101（准确率90.24%）和DenseNet-201/VGG-19（准确率82.93%），展示了AI赋能的CV在革新工业QC流程方面的潜力。
三、关键技术方法
研究人员采用了三阶段方法论。第一阶段为数据采集，在真实生产线使用“检测与组装机器”的高分辨率相机捕获报废零件图像并记录尺寸数据。第二阶段为数据集准备，对收集的报废零件进行实验室清洁（使用压缩空气和无绒布），随后进行精确尺寸测量，并由专家根据实验室测量结果将图像标注为“仅有灰尘（NOK-OK）”或“缺陷（NOK-NOK）”两类，建立可靠的基准真值。数据集按78.66%、8.84%和12.5%的比例划分为训练集、验证集和测试集，批量大小为32，图像尺寸调整为380×380×3。第三阶段为AI模型开发与训练，选择EfficientNet-B4作为骨干架构，采用迁移学习（Transfer Learning）策略，利用ImageNet预训练权重，并通过数据增强进一步提升模型性能。
四、研究结果
A. 报废汇流排的初步观察
研究人员从汇流排制造线收集了共7,017个生产零件的真实数据。按类型统计，A型和D型汇流排报废率达4%，B型为3%，C型为5%，均超过0.05%的目标报废率。其中C型汇流排受影响最严重，占报废零件的32%。经济分析显示，报废汇流排年成本达171,000摩洛哥迪拉姆，其中C型汇流排年损失103,000摩洛哥迪拉姆，被选为研究目标。公司目前采用人工除尘操作员方式，年成本约120,000摩洛哥迪拉姆，但效果有限。
B. 实验室测量
清洁后复查发现，大多数汇流排吹尘后符合要求，确认灰尘是拒收的主要原因。少数清洁后仍不合格的零件归因于汇流排间隙的变形。单色间隙测量相机在间隙被颗粒占据时无法区分灰尘与金属颗粒，导致测量被错误分类为不合格。分析强调了灰尘在汇流排不合格中的关键作用，以及CV系统无法区分灰尘与金属的局限性。
C. AI模型性能
研究人员选择EfficientNet架构构建AI模型，因其在准确性和计算效率间达到最佳平衡，采用复合缩放方法，使用移动倒置瓶颈卷积（Mobile Inverted Bottleneck Convolution, MBConv）与压缩激励模块，采用Swish激活函数，具备优越的迁移学习能力和高效推理时间。具体选择EfficientNet-B4变体，因其在ImageNet上Top-1准确率82.6%、Top-5准确率96.3%，优于B0-B3变体，且相比B5-B7变体资源需求适中，推理时间约15.12毫秒，适合实时应用。模型在测试集上有效区分真实缺陷与灰尘引起的异常，显著降低了误报废率。
五、讨论与结论
讨论部分指出，灰尘污染是导致保险丝盒汇流排大量报废的主要因素。现有方法如人工除尘和依赖供应商提供清洁零件均非长期有效策略。AI模型能够准确区分真实缺陷与灰尘引起的异常，弥补了传统CV系统无法区分灰尘与金属的不足。通过将训练好的CNN模型集成到生产线软件中，可实现实时灰尘分类和智能过滤缺陷零件，显著减少误报废并改进QC。
研究结论表明，所提出的基于EfficientNet-B4的AI驱动方法有效解决了灰尘污染下的尺寸检测问题，使报废率下降95.12%，每年节省约100,000摩洛哥迪拉姆成本。该模型性能优于ResNet-101和DenseNet-201/VGG-19，展示了AI赋能的CV在革新工业QC流程方面的巨大潜力，为更可靠、高效和经济的制造运营铺平了道路。未来研究方向包括将这些技术整合到综合除尘系统中，将实时灰尘检测与基于机器学习和人工神经网络的工艺参数优化相结合，实现智能自适应除尘工艺，同时增强QC功能。
