基于機(jī)器視覺的汽車漆面缺陷檢測技術(shù)

隨著汽車消費(fèi)市場不斷升級，漆面外觀及質(zhì)量受到越來越多的關(guān)注，工藝水平及生產(chǎn)環(huán)境不確定性因素會造成涂層表面產(chǎn)生不同程度的缺陷。

目前涂裝漆膜缺陷主要依靠人工檢測，勞動成本高，主觀影響大，制約了涂裝的生產(chǎn)效率。此外，僅靠人工不能達(dá)到完全準(zhǔn)確的質(zhì)量判斷，增加了返工成本，限制了企業(yè)擴(kuò)大產(chǎn)能，甚至還可能會造成用戶抱怨，對企業(yè)聲譽(yù)造成影響。

近年來，隨著工業(yè)信息化和智能化的發(fā)展，涂裝漆面缺陷檢測對自動化、智能化生產(chǎn)模式的需求日益增長。機(jī)器視覺作為新興技術(shù)，具有高效、穩(wěn)定和自動化程度高的特點(diǎn)，為漆面缺陷檢測系統(tǒng)的研發(fā)奠定了理論基礎(chǔ)。

基于機(jī)器視覺的檢測方法可以較好地解決傳統(tǒng)人工檢測遇到的時(shí)間長、工作量大、效率低的問題。

漆面缺陷檢測技術(shù)

汽車漆面缺陷主要有顆粒、流掛、劃痕。漆面缺陷檢測系統(tǒng)是利用機(jī)器模擬人眼的視覺功能，輔助完成漆面缺陷的檢測和判斷工作。

系統(tǒng)硬件主要包括光源、工業(yè)相機(jī)、視覺處理器以及機(jī)器人等，系統(tǒng)軟件主要包括視覺分析系

統(tǒng)和運(yùn)動控制系統(tǒng)。系統(tǒng)對漆面缺陷檢測的過程和結(jié)果全程保存在本地電腦數(shù)據(jù)庫上，同時(shí)可以與車間管理系統(tǒng)對接，實(shí)現(xiàn)檢測結(jié)果的分類查詢、匯總分析功能。

缺陷檢測系統(tǒng)采用機(jī)器人來布置光源和相機(jī)。

該系統(tǒng)的檢測硬件由 4 臺搭載檢測單元的機(jī)器人組成，安裝在面漆烘房出口的在線檢查工位。

車身的每一處位置會通過不同的光源模式（單色光、條紋光）在不同方向上進(jìn)行多次檢測， 通過疊加采樣實(shí)現(xiàn) 2D 圖像+3D 輪廓的圖像識別方式。

漆面缺陷檢測算法

檢測算法識別漆面缺陷的過程分以下 4步：圖像采集、預(yù)處理、特征提取和分類決策。

圖像采集是指通過檢測系統(tǒng)獲取到的車身不同部位漆面的圖像信息。

預(yù)處理主要是指圖像處理中的灰度化處理、圖像濾波、裁剪分割、形態(tài)學(xué)處理操作，去除非必要檢測區(qū)域，加強(qiáng)圖像的重要特征，使缺陷特征更容易被提取出來。

特征提取是指采用某種度量法則，進(jìn)行缺陷特征的抽取和選擇，簡單的理解就是將圖像上的漆面缺陷與正常漆面，利用某種方法將它們區(qū)分開。

分類決策是指構(gòu)建某種識別規(guī)則，通過此識別規(guī)則可以將對應(yīng)的特征進(jìn)行歸類和判定，主要應(yīng)用于漆面缺陷的分類， 以指導(dǎo)后續(xù)的打磨拋光操作。

目前，常用的漆面缺陷檢測算法主要分為 2類：傳統(tǒng)圖像算法和深度學(xué)習(xí)算法。這2種算法的主要區(qū)別在于特征提取和分類決策的差異。

傳統(tǒng)圖像算法

傳統(tǒng)圖像算法中特征提取主要依賴人工設(shè)計(jì)的提取器，需要有專業(yè)知識及復(fù)雜的參數(shù)調(diào)整過程，分類決策也需要人工構(gòu)建規(guī)則引擎，每個(gè)方法和規(guī)則都是針對具體應(yīng)用的，泛化能力及魯棒性較差。具體到缺陷檢測的應(yīng)用場景，需要先對缺陷在包括但不限于顏色、灰度、形狀、長度等的一個(gè)或多個(gè)維度上進(jìn)行量化規(guī)定， 再根據(jù)這些量化規(guī)定在圖像上尋找符合條件的特征區(qū)域， 并進(jìn)行標(biāo)記。

深度學(xué)習(xí)算法

深度學(xué)習(xí)算法主要是數(shù)據(jù)驅(qū)動進(jìn)行特征提取和分類決策，根據(jù)大量樣本的學(xué)習(xí)能夠得到深層的、數(shù)據(jù)集特定的特征表示，其對數(shù)據(jù)集的表達(dá)更高效和準(zhǔn)確，所提取的抽象特征魯棒性更強(qiáng)，泛化能力更好，但檢測結(jié)果受樣本集的影響較大。深度學(xué)習(xí)通過大量的缺陷照片數(shù)據(jù)樣本訓(xùn)練而得到缺陷判別的模型參數(shù)， 建立出一套缺陷判別模型， 最終目標(biāo)是讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力，能夠識別缺陷。

總體來講，傳統(tǒng)圖像算法是人工認(rèn)知驅(qū)動的方法，深度學(xué)習(xí)算法是數(shù)據(jù)驅(qū)動的方法。深度學(xué)習(xí)算法一直在不斷拓展其應(yīng)用的場景，但傳統(tǒng)圖像方法因其成熟、穩(wěn)定特征仍具有應(yīng)用價(jià)值。

應(yīng)用案例

某主機(jī)廠應(yīng)用了漆面缺陷檢測系統(tǒng)，系統(tǒng)安裝在 1 條面漆存儲線上，可同時(shí)滿足 2 條精修線車輛的漆面缺陷檢測， 設(shè)計(jì)產(chǎn)能 40 JPH， 可檢測的最大車身尺寸為 5 000 mm×2 000 mm×1 800 mm， 檢測速度 6 m/min。

系統(tǒng)采用紅色LED燈帶作為光源，主檢測站配備39個(gè)500萬像素高清相機(jī)，尾門檢測站配備 9 個(gè)500 萬像素高清相機(jī)，每分鐘可采集近5 萬張的車身照片，通過光纖傳輸給圖像處理計(jì)算機(jī)，采用傳統(tǒng)2D圖像算法進(jìn)行缺陷識別。

安裝缺陷檢測系統(tǒng)之前，每條精修線配備8 名員工，對漆面缺陷進(jìn)行人工檢查和打磨拋光。通過加裝缺陷檢測系統(tǒng)， 每條精修線員工由 8 人減少至6人，這6名員工重新分工，根據(jù)大屏幕顯示的缺陷檢測結(jié)果，只負(fù)責(zé)打磨、拋光操作，1套檢測系統(tǒng)可節(jié)省人工8人（2人/線×2線×2班）。

精修線崗位分布如圖所示：

在“中國制造 2025”戰(zhàn)略目 標(biāo)的指導(dǎo)下，兩化融合成為推動制造業(yè)轉(zhuǎn)型升級的重要方式?；?/p>

機(jī)器視覺的漆面缺陷檢測技術(shù)的應(yīng)用，有助于提升涂裝工藝質(zhì)量水平和勞動生產(chǎn)率。