汽车零部件检测破局：C# + YOLOv12 实现螺栓漏装与尺寸测量，产线效率提升300%

在汽车制造的总装车间里，螺栓连接是最基础也最关键的工序之一。一辆乘用车通常需要用到数千个螺栓，哪怕有一个漏装或者尺寸不合格，都可能带来严重的安全隐患。传统的人工检测不仅速度慢（单工位检测节拍需3-5秒），而且长时间工作后容易因疲劳出现误检、漏检。我们团队最近在给一家车企做产线升级时，用C# + YOLOv12这套组合拳，成功解决了螺栓漏装检测和尺寸测量的难题，单张图片检测+测量耗时控制在30ms以内，效率直接提升了300%。

今天就把这套完整的实现方案分享给大家，从环境搭建、数据准备、模型训练到C#工程化集成，全是实战踩坑后的干货。

一、系统整体架构：为什么选C# + YOLOv12？

先给大家看一下我们设计的系统架构图，这套方案的核心思路是“Python训练模型，C#部署推理”——毕竟YOLOv12在Python生态下训练最方便，而工业上位机90%以上都是用C#开发的，直接集成到现有产线系统里毫无压力。

核心选型理由：

1. YOLOv12：相比v8、v10，v12在小目标检测（比如M6螺栓）上的mAP提升了8-10%，而且模型体积更小，量化后推理速度更快。
2. C# + ONNX Runtime：不用装Python环境，直接把ONNX模型嵌入到WPF/WinForms项目里，部署到工控机上零门槛。
3. 尺寸测量：通过相机标定+参照物比例换算，测量精度控制在±0.1mm，完全满足车企±0.5mm的公差要求。

二、环境搭建：从训练到部署的工具链

2.1 训练环境（Python端）

我们用的是Ubuntu 22.04服务器，显卡是RTX 4090（24G），训练YOLOv12的环境配置如下：

• Python 3.10
• PyTorch 2.4 + CUDA 12.1
• Ultralytics YOLOv12 官方库（直接pip install ultralytics安装）

2.2 部署环境（C#端）

工控机配置是i5-12400 + 16G内存，不用装显卡，CPU推理就能跑通：

• Visual Studio 2022
• .NET 8.0 WPF 项目
• NuGet包：
  • Microsoft.ML.OnnxRuntime（v1.19.0，CPU版本）
  • System.Drawing.Common（图像处理）
  • AForge.Video.DirectShow（工业相机采集）

三、数据准备：工业场景下的数据集怎么标？

3.1 数据采集

我们在产线现场采集了5000张图片，其中：

• 正常螺栓图片：3000张（包含不同光照、不同角度的M6、M8螺栓）
• 漏装图片：1500张（模拟螺栓缺失的情况）
• 尺寸不合格图片：500张（螺栓直径偏大/偏小0.2-1mm）

3.2 标注技巧

用LabelStudio标注，关键点是：

1. 标注框要紧贴螺栓边缘：因为后续要测尺寸，框大框小都会影响精度。
2. 分两个类别：bolt_normal（正常螺栓）、bolt_missing（漏装区域）——其实漏装不需要单独标，只要检测不到bolt_normal就判断为漏装，但标了之后模型学习更快。
3. 数据增强：用Ultralytics自带的增强功能，比如旋转（±15°）、亮度调整（±20%）、高斯模糊——工业现场光照变化大，这一步必不可少。

四、模型训练：YOLOv12 微调全流程

4.1 数据集配置

新建bolt_dataset.yaml文件，内容如下：

path:/home/wei/bolt_dataset# 数据集根目录train:images/trainval:images/valnc:1# 只有一个类别：bolt_normalnames:['bolt_normal']

4.2 开始训练

直接用Ultralytics的命令行训练，我们用的是YOLOv12n（nano版本，速度最快）：

yolo detect trainmodel=yolov12n.ptdata=bolt_dataset.yamlepochs=100imgsz=640batch=32device=0

训练过程中看两个指标：

• mAP50：我们最终做到了98.7%，小目标检测很稳。
• Loss曲线：训练到80epoch左右就收敛了，没有过拟合。

4.3 导出ONNX模型

训练完后导出ONNX格式，方便C#调用：

yoloexportmodel=runs/detect/train/weights/best.ptformat=onnximgsz=640

导出后会得到best.onnx，把它复制到C#项目的Resources文件夹里，设置为“如果较新则复制”。

五、C# 集成：从图像采集到推理结果解析

这部分是重点，直接给大家上核心代码。

5.1 图像预处理

YOLOv12要求输入是640x640的RGB图片，像素值归一化到[0,1]，代码如下：

usingSystem.Drawing;usingSystem.Drawing.Imaging;usingMicrosoft.ML.OnnxRuntime;usingMicrosoft.ML.OnnxRuntime.Tensors;publicclassImageProcessor{publicstaticTensor<float>PreprocessImage(Bitmapimage){// 1. 调整图片大小到640x640varresized=newBitmap(image,640,640);// 2. 转RGB，归一化vartensor=newDenseTensor<float>(new[]{1,3,640,640});varrect=newRectangle(0,0,640,640);vardata=resized.LockBits(rect,ImageLockMode.ReadOnly,PixelFormat.Format24bppRgb);unsafe{byte*ptr=(byte*)data.Scan0;for(inty=0;y<640;y++){for(intx=0;x<640;x++){// BGR -> RGB，归一化到[0,1]tensor[0,2,y,x]=ptr[0]/255f;// Rtensor[0,1,y,x]=ptr[1]/255f;// Gtensor[0,0,y,x]=ptr[2]/255f;// Bptr+=3;}ptr+=data.Stride-640*3;}}resized.UnlockBits(data);returntensor;}}

5.2 模型推理

加载ONNX模型，执行推理，代码如下：

publicclassBoltDetector{privateInferenceSession_session;privateconstfloatConfidenceThreshold=0.5f;privateconstfloatIouThreshold=0.4f;publicBoltDetector(stringmodelPath){varoptions=newSessionOptions();options.AppendExecutionProvider_CPU();// CPU推理_session=newInferenceSession(modelPath,options);}publicList<BoundingBox>Detect(Bitmapimage){// 1. 预处理varinputTensor=ImageProcessor.PreprocessImage(image);varinputs=newList<NamedOnnxValue>{NamedOnnxValue.CreateFromTensor("images",inputTensor)};// 2. 推理usingvarresults=_session.Run(inputs);varoutput=results[0].AsEnumerable<float>().ToArray();// 3. 解析输出（YOLOv12输出格式是[1, 5 + nc, 8400]）returnParseOutput(output,image.Width,image.Height);}// 后处理：NMS + 坐标还原privateList<BoundingBox>ParseOutput(float[]output,intoriginalWidth,intoriginalHeight){// 省略NMS代码，核心是按置信度排序，过滤IOU// 注意：坐标要从640x640还原到原始图片尺寸varboxes=newList<BoundingBox>();// ... 后处理逻辑 ...returnboxes;}}publicclassBoundingBox{publicfloatX{get;set;}publicfloatY{get;set;}publicfloatWidth{get;set;}publicfloatHeight{get;set;}publicfloatConfidence{get;set;}}

六、尺寸测量：从像素到毫米的转换

检测到螺栓后，怎么知道它的尺寸是否合格？这里的关键是相机标定和比例换算。

6.1 相机标定

我们用张正友标定法，打印一张A4纸的棋盘格（9x6，格子大小20mm），拍20张不同角度的照片，用OpenCV标定得到内参矩阵和畸变系数——如果觉得麻烦，也可以用已知尺寸的参照物（比如标准螺栓，直径8.00mm）。

6.2 比例换算

假设我们在图片里放了一个标准M8螺栓（直径8.00mm），检测到它的 bounding box 宽度是100像素，那么比例系数就是：

比例系数 = 8.00mm / 100像素 = 0.08mm/像素

然后测待测螺栓的 bounding box 宽度，比如是102像素，那么实际直径就是：

实际直径 = 102像素 × 0.08mm/像素 = 8.16mm

如果车企要求公差是±0.2mm，那么8.16mm就是合格的；如果是8.3mm，就触发报警。

6.3 代码实现

publicclassDimensionMeasurer{privatefloat_pixelToMmRatio;// 比例系数，提前标定好publicDimensionMeasurer(floatratio){_pixelToMmRatio=ratio;}publicfloatMeasureBoltDiameter(BoundingBoxbox){// 取bounding box的宽度作为螺栓直径（因为螺栓是圆形的，正视时宽高一致）returnbox.Width*_pixelToMmRatio;}publicboolIsDimensionQualified(floatmeasuredDiameter,floatstandardDiameter,floattolerance){returnMath.Abs(measuredDiameter-standardDiameter)<=tolerance;}}

七、实战效果：产线验证数据

我们把这套系统部署到了车企的总装车间，连续运行了7天，数据如下：

• 漏装检测准确率：99.8%（只误检了2次，都是因为光照突然变化，后来加了直方图均衡化就解决了）
• 尺寸测量误差：±0.08mm（远低于车企要求的±0.5mm）
• 单张图片处理时间：28ms（产线节拍要求100ms，完全满足）
• 成本：相比之前的进口检测设备，这套方案成本只有1/5，而且维护方便。

八、总结与优化方向

这套方案的核心优势是“轻量、快速、易集成”——不用买昂贵的GPU工控机，不用改现有产线的C#代码，直接把ONNX模型嵌进去就能用。

未来我们还打算优化两个点：

1. 模型量化：把ONNX模型量化到INT8，推理速度能再快30%。
2. 3D视觉：加入深度相机，测量螺栓的拧入深度，解决更多维度的检测问题。

如果大家在工业视觉检测方面有什么问题，欢迎在评论区交流。

👉 点击我的头像进入主页，关注专栏第一时间收到更新提醒，有问题评论区交流，看到都会回。