汽车行业是支撑我国实体经济发展的重点行业，目前我国是世界上汽车消费量最大的国家，与汽车相关的产业形形色色。汽车行业事关我们每个人的人身安全，因此汽车行业也是对检测要求较高的行业，几乎每个零件都需要全检。所以，汽车零部件尺寸缺陷检测的意义就显得尤为重要了。

如今深度学习已成为了探测工厂自动化应用中，检测有高度复杂性、可变性、特别是非结构化场景中的产品外观缺陷，及其他有害异常的理想工具。

我们都知道，背景有复杂图案或高度位置差异的场景会给传统机器视觉检测系统带来困难。如果缺陷类型复杂并有很多位置差异，制造商就无法使用较传统的检测方法，这是因为编程会太费时、复杂和繁琐。并且，零件间的自然差异有时也难以预测。考虑到材料的延展性、柔性和易变形的特性，即使是一致的背景，视觉外观也可能有很大差异，而塑料和编织材料尤其容易出现这种问题。

下面我们就来看看汽车行业中有哪些缺陷探测难点，以及如何运用深度学习，帮助工厂实现高效自动化运转。

#汽车行业缺陷探测

汽车零件有很多有挑战性的表面。其中对自动化探测系统来说最麻烦的就是内部座椅和气囊中使用的织物检测。

对于安全气囊检测，查找缝线和接缝的缺陷是关键，因为这可能会对其效果产生关键性的影响。但织物在纱线粗细、织纹和图案方面有天然的可变性，因此检测极具挑战。

首先，天然织物很复杂，其外观会根据拉伸情况和拍摄光线有所变化。其次也是最麻烦的，就是缝线或接缝缺陷的数量，使用规则算法直接搜索每一个缺陷，不但繁琐且几乎不可能实现。这时可以用深度学习的方式对气囊织物的正常外观进行训练，再由检测系统识别潜在缺陷。

深度学习工具可以通过神经网络归纳概括织物的可变性质，从而在忽略织造图案、纱线特性、颜色和其他可接受瑕疵的自然变化的同时，识别所有异常外观。偏离这些正常变化的任何异常，例如意外的针迹、织布漂浮、经纱或纬纱中的回线、钩刺或孔眼，都会被系统标记为缺陷。这样，无需提前定义缺陷库即可完成织物检测。这种深度学习新方式为汽车织物的自动化质量控制带来了和人类视觉检测一样的效果。也因此大大提高了检测效率，帮助工厂实现全面自动化发展。