摘要：随着智能制造和工业4.0的深入推进，汽车零部件制造对产品质量检测提出了更高要求。传统人工目检方式存在效率低、漏检率高、标准不统一等问题，难以满足现代自动化产线的高节拍与高精度需求。本文提出一种融合传统图像处理、深度学习与语音人机交互的多模态智能缺陷检测系统，面向汽车齿轮、轴承、轴类等核心部件表面微小缺陷（如划痕、凹坑、应变、毛刺等）进行高效识别与反馈。系统前端采用OpenCV进行针对性图像增强，后端基于YOLOv5模型实现缺陷定位与分类，并创新性集成轻量级语音播报模块，实现“检测-识别-语音告警”一体化闭环。整个系统部署于嵌入式边缘计算平台，兼顾实时性、精度、成本效益与操作友好性。实验初步验证了该方案在提升检测效率、稳定性及人机协同体验方面的可行性，为中小零部件供应商提供了一种高性价比、易落地的智能化质检解决方案。^【4】

　　关键词：智能质检；缺陷检测；YOLOv5；图像增强；边缘计算

　　引言：近年来，消费者对汽车安全性和可靠性的要求不断提高，促使整车厂及其供应链对零部件质量控制日趋严格。然而，国内大量二级、三级零部件供应商仍依赖人工肉眼检测，普遍存在效率低下、主观性强、数据不可追溯和人机交互体验差等痛点。为此，本项目研发一套低成本、高精度、可部署于边缘设备的智能视觉检测系统，并在此基础上新增语音交互模块，实现缺陷类型的实时语音播报与异常告警，显著提升操作便捷性与现场响应效率。

　　一、系统总体设计

　　本系统采用“双阶段检测 + 多模态反馈”架构，包含三大核心模块。

　　前端图像预处理模块：基于OpenCV库，针对不同缺陷类型采用特化算法进行增强；

　　后端AI识别模块：基于YOLOv5目标检测模型，实现缺陷的精确定位与分类；

　　语音交互反馈模块：集成轻量级TTS引擎，将检测结果转化为自然语音输出。^【3】

　　整个系统设计目标为在树莓派5ARM架构边缘设备上实现实时运行（≥15 FPS），保障数据本地化处理，提升安全性、响应速度与人机协同效率。

　　二、关键技术与实现

　　1.图像预处理策略

　　针对不同缺陷特性，采用以下经典算子进行像素级增强：

　　边缘类缺陷（如裂纹、划痕、毛刺）：使用Canny与Sobel算子，通过梯度计算突出边缘轮廓；纹理/形变类缺陷（如应变、凹坑）：采用Laplacian算子，对图像二阶导数敏感，有效捕捉局部凹凸变化。预处理输出为单通道灰度增强图，显著提升微小缺陷的可见性，同时降低后续模型输入维度。^【2】

　　2.AI缺陷识别模型

　　选用YOLOv5s作为后端检测模型，因其具备检测速度快、模型轻量、精度高等优势，适合工业边缘部署。模型训练数据集包含2000余张标注图像，涵盖5类典型缺陷。当前已完成对YOLOv5输入层的修改，使其支持单通道灰度图输入，并通过迁移学习微调，在保持mAP@0.5 ≥ 85%的前提下显著降低计算负载。^{【1】【5】}

　　3.语音交互模块设计

　　为提升系统人机交互体验，本系统集成基于离线TTS引擎（如Pico TTS或eSpeak）的语音播报功能。当AI模型检测到缺陷时，系统自动提取缺陷类别与置信度，生成标准化语音提示，例如：

　　“检测到划痕，置信度92%。”“发现凹坑，建议复检。”

　　该模块具有以下优势：

　　1）无需联网：所有语音合成在本地完成，保障数据隐私；

　　2）低延迟：语音播报与图像检测同步进行，响应时间 < 300ms；

　　3）可配置：支持多语言、音量调节与播报开关，适应不同车间环境。

　　三、商业模式与应用前景

　　1.目标客户

　　核心客户：为大众、丰田、吉利等整车厂供货的中小型零部件制造商；

　　潜在客户：整车厂自建质检产线、职业教育实训基地、第三方检测机构。

　　2.竞争优势

　　技术融合优势：“传统图像处理 + 深度学习 + 语音交互”三位一体，在复杂背景下对微小缺陷的检出率与用户体验优于单一技术路线产品；

　　成本优势：基于国产硬件与开源算法，系统成本仅为国际品牌同类产品的1/3–1/2；

　　边缘智能优势：数据本地处理，无网络依赖，保障生产数据安全，适用于涉密或弱网车间环境。

　　四、未来应用场景与拓展方向

　　本系统不仅限于汽车零部件质检，其技术框架具备良好的可迁移性，未来可在以下场景拓展应用：

　　1.跨行业表面缺陷检测

　　可适配于电子元器件（PCB焊点）、金属铸件（气孔、砂眼）、塑料制品（缩水、飞边）等领域的自动化质检，只需更换训练数据与预处理策略。

　　2.智能产线集成

　　PLC、机械臂联动，实现“检测-分拣-返修”全自动闭环。例如，当系统识别出严重缺陷时，可触发信号控制传送带分流，或将不合格品推送至返修工位。

　　3.AR辅助质检

　　结合AR眼镜，将缺陷位置与类别以虚拟标签形式叠加在实物上，辅助新手质检员快速定位问题，缩短培训周期。

　　4.云边协同质量大数据平台

　　在边缘端完成实时检测的同时，定期将脱敏后的缺陷统计数据上传至云端，构建企业级质量知识库，支持SPC（统计过程控制）、根因分析与预测性维护。

　　5.多模态交互升级

　　未来可引入语音指令控制（如“开始检测”“暂停”），甚至结合手势识别，打造“零接触”智能质检工作站，契合后疫情时代卫生与安全需求。

　　结语：本项目提出的融合视觉检测与语音交互的智能质检系统，有效整合了经典图像处理、轻量化深度学习与人机交互技术，为汽车核心部件表面缺陷检测提供了一种高精度、低成本、易部署且操作友好的解决方案。通过引入语音反馈机制，不仅提升了检测结果的可感知性，也增强了系统在嘈杂工业环境中的实用性。未来将进一步完善系统鲁棒性、拓展多行业应用场景，并推动其在中小企业中的规模化落地，助力中国制造业迈向高质量、智能化发展新阶段。

　　参考文献

　　【1】 肖泽皓.计算机视觉技术在自动化质检设备中的创新应用[J].中国设备工程,2026,(02):180-182.

　　【2】 蒋碧萱,张玉柱,郝志彩.基于OpenCV的浮法玻璃完整性检测系统[J].玻璃,2025,52(12):27-31.

　　【3】 郑红运,崔帅华,迟明路,等.OpenCV在机器视觉中的应用分析[J].电子质量,2025,(09):59-63.

　　【4】 李苒笙,李志强,贾北洋.基于大模型的工业质检系统关键技术及应用[J].广东通信技术,2025,45(05):35-39+44.

　　【5】 孙林,张子洋,贾坤昊,等.工业缺陷图像生成：非线性重构与多级滤波优化[J/OL].计算机工程与应用,1-16[2026-03-06].https://link.cnki.net/urlid/11.2127.TP.20250418.1459.002.（作者系长春大学薛文达、郭睿凡、谢江飞）