汽车总装车间尾线工位质监站需要对汽车整车装配是否正确做出判断,以检查汽车零件以及零件的配置是否有错装漏装现象。目前大部分车间还是通过工人进行肉眼检测,这种检测方式会受环境、工人等客观因素的影响,导致检车的准确率不高,时效性低。利用人工进行检查,汽车上装配的零件是否正确不能得到保证,生产的汽车质量下降,汽车的安全性不能得到保障。因此,准确的、及时的检验汽车前脸零件装配的是否正确对减少对零件的错检,漏检、降低工人检验的工作强度、提升汽车质量等都具有重要意义。为了提高检测的准确率并缩短检测时间以提高时效性,本文以某总装车间尾线工位为例,以汽车前脸零件中的格栅、雾灯以及轮毂为目标,检测零件装配是否正确,选取SVM算法和YOLO V3算法对汽车前脸零件的配置图像进行识别分类,并对YOLO V3算法进行改进,使其在准确率和时效性上得到大幅度提升。主要研究内容为:(1)搭建用于收集汽车前脸图像的实验平台,开发Label Image系统用于图像标记。本文以某总装车间尾线工位质监站为实验点,搭建了用于收集汽车前脸零件图像的试验平台。利用该平台收集车间中所生产的汽车中前脸不同零件的不同配置图像,零件包括轮毂、雾灯以及格栅。通过该平台共收集6000张零件图像作为实验数据。本文开发出Label Image系统,通过该系统可将收集到的图像进行分析和标记,并自动生成相应的配置文件,为接下来图像分类做准备工作。(2)选取SVM分类算法以及YOLO V3算法对汽车前脸零件配置进行识别。本文首先运用SVM算法对图像进行识别,识别步骤为对图像进行预处理,特征提取以及分类。预处理是通过对图像进行灰度化、边缘检测、图像增强、图像去噪操作。特征提取采用LBP算法对图像进行特征提取。在对图像运用SVM分类算法进行分类时,选用交叉验证的方式选取核函数以及核函数系数。通过实验,选取核函数为高斯核函数,选取的核函数系数高斯核半径为σ=263,惩罚系数为C=10。其次运用YOLO V3算法对图像进行识别,实验采用网上开源的YOLO V3代码进行。最后通过实验对比两种分类算法的准确率以及时效性,在不同颜色车辆以及不同零件下,YOLO V3算法的识别速度、准确率均高于SVM算法。图像中汽车零件在质检人员遮挡的情况下,YOLO V3算法相较于SVM算法几乎没有降低漏检率。(3)基于生物地理优化算法对YOLO V3算法进行参数优化,提高算法的准确率以及时效性。以YOLO V3作为基本单元,利用BBO优化算法对YOLO V3算法中的参数学习率λ进行优化,使其在每迭代指定次数时都能够取最优学习率λ,缩短训练时间,从而提高检测的时效性。通过实验对比优化前后的YOLO V3算法,通过识别不同零件配置以及不同颜色的车辆,BBO-YOLO V3算法的识别速度以及准确率均高于YOLO V3算法。对于人员遮挡,实验验证优化后的BBO-YOLO V3算法可以降低因图片不完整而造成的漏检率。