隨著汽車消費(fèi)市場(chǎng)不斷升級(jí)，漆面外觀及質(zhì)量受到越來(lái)越多的關(guān)注，工藝水平及生產(chǎn)環(huán)境不確定性因素會(huì)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(cè)，勞動(dòng)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(huì)造成用戶抱怨，對(duì)企業(yè)聲譽(yù)造成影響。

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

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

漆面缺陷檢測(cè)技術(shù)

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

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

統(tǒng)和運(yùn)動(dòng)控制系統(tǒng)。系統(tǒng)對(duì)漆面缺陷檢測(cè)的過(guò)程和結(jié)果全程保存在本地電腦數(shù)據(jù)庫(kù)上，同時(shí)可以與車間管理系統(tǒng)對(duì)接，實(shí)現(xiàn)檢測(cè)結(jié)果的分類查詢、匯總分析功能。

缺陷檢測(cè)系統(tǒng)采用機(jī)器人來(lái)布置光源和相機(jī)。

該系統(tǒng)的檢測(cè)硬件由 4 臺(tái)搭載檢測(cè)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(huì)通過(guò)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(cè)， 通過(guò)疊加采樣實(shí)現(xiàn) 2D 圖像+3D 輪廓的圖像識(shí)別方式。

漆面缺陷檢測(cè)算法

檢測(cè)算法識(shí)別漆面缺陷的過(guò)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(guò)檢測(cè)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(cè)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(lái)。

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(jiǎn)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(kāi)。

分類決策是指構(gòu)建某種識(shí)別規(guī)則，通過(guò)此識(shí)別規(guī)則可以將對(duì)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(cè)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(shí)及復(fù)雜的參數(shù)調(diào)整過(guò)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(duì)具體應(yīng)用的，泛化能力及魯棒性較差。具體到缺陷檢測(cè)的應(yīng)用場(chǎng)景，需要先對(duì)缺陷在包括但不限于顏色、灰度、形狀、長(zhǎng)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(dòng)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(duì)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(cè)結(jié)果受樣本集的影響較大。深度學(xué)習(xí)通過(guò)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(shí)別缺陷。

總體來(lái)講，傳統(tǒng)圖像算法是人工認(rèn)知驅(qū)動(dòng)的方法，深度學(xué)習(xí)算法是數(shù)據(jù)驅(qū)動(dòng)的方法。深度學(xué)習(xí)算法一直在不斷拓展其應(yīng)用的場(chǎng)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(cè)系統(tǒng)，系統(tǒng)安裝在 1 條面漆存儲(chǔ)線上，可同時(shí)滿足 2 條精修線車輛的漆面缺陷檢測(cè)， 設(shè)計(jì)產(chǎn)能 40 JPH， 可檢測(cè)的最大車身尺寸為 5 000 mm×2 000 mm×1 800 mm， 檢測(cè)速度 6 m/min。

系統(tǒng)采用紅色LED燈帶作為光源，主檢測(cè)站配備39個(gè)500萬(wàn)像素高清相機(jī)，尾門檢測(cè)站配備 9 個(gè)500 萬(wàn)像素高清相機(jī)，每分鐘可采集近5 萬(wàn)張的車身照片，通過(guò)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(shí)別。

安裝缺陷檢測(cè)系統(tǒng)之前，每條精修線配備8 名員工，對(duì)漆面缺陷進(jìn)行人工檢查和打磨拋光。通過(guò)加裝缺陷檢測(cè)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(cè)結(jié)果，只負(fù)責(zé)打磨、拋光操作，1套檢測(cè)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(guó)制造 2025”戰(zhàn)略目 標(biāo)的指導(dǎo)下，兩化融合成為推動(dòng)制造業(yè)轉(zhuǎn)型升級(jí)的重要方式?；?/p>

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