基于機器視覺的汽車漆面缺陷檢測技術

隨著汽車消費市場不斷升級，漆面外觀及質量受到越來越多的關注，工藝水平及生產環境不確定性因素會造成涂層表面產生不同程度的缺陷。

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，制約了涂裝的生產效率。此外，僅靠人工不能達到完全準確的質量判斷，增加了返工成本，限制了企業擴大產能，甚至還可能會造成用戶抱怨，對企業聲譽造成影響。

近年來，隨著工業信息化和智能化的發展，涂裝漆面缺陷檢測對自動化、智能化生產模式的需求日益增長。機器視覺作為新興技術，具有高效、穩定和自動化程度高的特點，為漆面缺陷檢測系統的研發奠定了理論基礎。

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

漆面缺陷檢測技術

汽車漆面缺陷主要有顆粒、流掛、劃痕。漆面缺陷檢測系統是利用機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。

系統硬件主要包括光源、工業相機、視覺處理器以及機器人等，系統軟件主要包括視覺分析系

統和運動控制系統。系統對漆面缺陷檢測的過程和結果全程保存在本地電腦數據庫上，同時可以與車間管理系統對接，實現檢測結果的分類查詢、匯總分析功能。

缺陷檢測系統采用機器人來布置光源和相機。

該系統的檢測硬件由 4 臺搭載檢測單元的機器人組成，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）在不同方向上進行多次檢測， 通過疊加采樣實現 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、預處理、特征提取和分類決策。

圖像采集是指通過檢測系統獲取到的車身不同部位漆面的圖像信息。

預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、形態學處理操作，去除非必要檢測區域，加強圖像的重要特征，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分開。

分類決策是指構建某種識別規則，通過此識別規則可以將對應的特征進行歸類和判定，主要應用于漆面缺陷的分類， 以指導后續的打磨拋光操作。

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

傳統圖像算法

傳統圖像算法中特征提取主要依賴人工設計的提取器，需要有專業知識及復雜的參數調整過程，分類決策也需要人工構建規則引擎，每個方法和規則都是針對具體應用的，泛化能力及魯棒性較差。具體到缺陷檢測的應用場景，需要先對缺陷在包括但不限于顏色、灰度、形狀、長度等的一個或多個維度上進行量化規定， 再根據這些量化規定在圖像上尋找符合條件的特征區域， 并進行標記。

深度學習算法

深度學習算法主要是數據驅動進行特征提取和分類決策，根據大量樣本的學習能夠得到深層的、數據集特定的特征表示，其對數據集的表達更高效和準確，所提取的抽象特征魯棒性更強，泛化能力更好，但檢測結果受樣本集的影響較大。深度學習通過大量的缺陷照片數據樣本訓練而得到缺陷判別的模型參數， 建立出一套缺陷判別模型， 最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別缺陷。

總體來講，傳統圖像算法是人工認知驅動的方法，深度學習算法是數據驅動的方法。深度學習算法一直在不斷拓展其應用的場景，但傳統圖像方法因其成熟、穩定特征仍具有應用價值。

應用案例

某主機廠應用了漆面缺陷檢測系統，系統安裝在 1 條面漆存儲線上，可同時滿足 2 條精修線車輛的漆面缺陷檢測， 設計產能 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。

系統采用紅色LED燈帶作為光源，主檢測站配備39個500萬像素高清相機，尾門檢測站配備 9 個500 萬像素高清相機，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算機，采用傳統2D圖像算法進行缺陷識別。

安裝缺陷檢測系統之前，每條精修線配備8 名員工，對漆面缺陷進行人工檢查和打磨拋光。通過加裝缺陷檢測系統， 每條精修線員工由 8 人減少至6人，這6名員工重新分工，根據大屏幕顯示的缺陷檢測結果，只負責打磨、拋光操作，1套檢測系統可節省人工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”戰略目 標的指導下，兩化融合成為推動制造業轉型升級的重要方式?；?/p>

機器視覺的漆面缺陷檢測技術的應用，有助于提升涂裝工藝質量水平和勞動生產率。