中国汽车产业经过几十年的发展,已经成长为中国经济的重要支柱产业。其产业链长、关联度高、就业面广、消费拉动大,影响力已经渗透到社会发展与居民生活。汽车零部件是汽车生产的一个重要环节，并且零部件在装配、检测等方面通常要求较高，视觉识别难度较大。另一方面，基于深度学习的方法在视觉领域广泛应用，取得了较好的效果，但在机器视觉中应用不多。在本项研究中，我们提出了基于深度学习的针对汽车零部件的检验检测方法，可以有效提高检验检测效率，为完全代替人工作业奠定基础。
我们的研究成果主要包含以下几个方面：
1）提出了基于特征学习的零件姿态判定方法。首先，我们对零件的三维模型以不同的视角进行投影。由于虚拟的相机位置固定，因此每次投影可以获得一种零件的二维姿态图像，并最终得到多种姿态的图像。第二，我们采用基于深度学习的特征检测、模板匹配等方法将实际中拍到的图片与模板进行匹配。该方法可以有效提高在无序抓取条件下零件姿态的判定能力。
2）基于深度学习的汽车零部件分类方法。首先，我们对零件分不同姿态采集图片，并将零件的图片数据按类别进行训练。用于训练的算法是采用基于Yolo框架的深度学习模型。在理论分析与实验研究的基础上，通过对网络参数进行调整来提高物体识别的准确率（图1）。

图1识别的工件（3表示第3类，0.84表示置信度）

3）基于深度学习的高反光物体缺陷检测方法。我们将被检物体置于滑台上，并设置强光光源。此时，被检物体会产生镜面反射，我们将相机放置于强光反射的临近区域，称之为弱光带。我们主要检测弱光带上的缺陷问题。通过滑台运动调整被检物体在暗光带上的位置，我们可以获得暗光带区域较为精确的图像。在缺陷样本方面，我们首先人工获得部分物体的缺陷，之后，为扩充缺陷数据库，我们采用深度对抗生成网络来构造更多的缺陷数据。之后，我们采用图像二值化等方法进行缺陷的提取（图2）。此外，对于工件的不同侧面，需要用预先设置的多个相机从不同角度拍照。每个角度的相机都没有检测出缺陷则认定为合格。本方法对于凸点、凹坑、划痕等形态缺陷检出率达到99%。

 图2 识别后的缺陷示意图