0 前言

在汽车涂装生产过程中，由于喷涂环境等因素的影响，涂层可能会产生颗粒等缺陷，目前主要靠工作人员目视识别。由于人员作业过程中，存在视觉疲劳等不可控因素，缺陷容易流入下道工序，造成不合格品流出。采用视觉技术自动检测漆膜缺陷的技术，可以替代人员对漆膜外观缺陷进行识别，降低不可控因素的发生概率，降低不合格品的流出率。本文通过分析缺陷检测设备的工作原理，对自动识别技术及缺陷识别率影响因素进行讨论及分析，为生产线规划及设备选型时提供一定的依据。

1 视觉技术的应用现状

随着人工智能的发展，视觉技术已成为实现工业自动化和智能化的关键核心技术，在手机摄像头、3D人脸识别、三维场景重建、车载激光雷达及无人机等方面均有应用。

根据汽车行业的应用场景，视觉检测技术主要具备测量、引导、检测以及识别四大功能（图1）。其中，焊装车间的在线测量、质保间的蓝光检测等，主要采用结构光视觉实现测量功能；冲压车间的自动装箱、焊装车间的视觉抓件、涂装车间的车身定位以及总装车间的风窗玻璃自动安装等，主要采用多目视觉实现引导功能；焊装车间的涂胶、焊缝检测以及涂装车间的漆面检测主要实现视觉的检测功能；物流领域读码作业、焊装钢印识别等主要实现视觉的识别功能等。目前，视觉检测技术已经在汽车行业各专业有广泛应用，其中，涂装车间的漆面检测作为代替人眼识别漆面缺陷的技术，在国内已有多个案例，可以有效代替人眼作业，减少因人员视觉疲劳因素引起的缺陷流出。

图1 视觉检测技术的四大功能

2 视觉技术检测缺陷的原理

根据图像处理系统的不同以及光源的不同等，汽车行业应用的视觉技术主要有图像融合技术、相位偏折技术以及深度检测技术。在汽车涂装漆膜缺陷检测领域，主要应用的技术为图像融合技术以及相位偏折技术。本文重点以相位偏折技术为例阐述其原理。

相位偏折技术是将光源投射到待测面上，利用反射图像相位在待测面微小变化敏感特点，根据相位解析及重建算法实现三维形貌及缺陷检测，如图2所示。

图2 相位偏折技术

由于此技术需要根据光的折射来采集图片信息，因此，只适用于镜面或类镜面。对于汽车涂装各涂层，电泳涂层及中涂层光泽度低，不适用于此方法检测缺陷；面漆层高光泽度及其镜面效果，适用于此法对缺陷进行检测及筛查。

与电磁波、光波和声波信号一样，相位解析法是将图片当作一种信号处理。经过傅里叶变换成正弦波曲线后，通过识别相位的变换，进而识别曲线的变化，以实现缺陷的有效识别。此转换过程涉及模拟量信号以及数字量信号的相互转换，此为视觉检测技术中，算法工程师的主要工作。

图3为图片转换为数字量信号的示意，从左到右分别为：某图片、该图片转换成信号示意图、该信号经傅里叶分布后的正弦图之一及该正弦图转换为数字量信号。

图3 图片转换为数字量信号

3 缺陷识别率的影响因素识别及筛选

无论哪种形式的缺陷检测，均由三大部分组成：①光学系统（含传感器），如相机、透镜及光源等；②图像处理系统，含图像处理库等；③软件及人机界面。其中，硬件部分保证了缺陷的获取，软件及算法对图像进行重建，以确保缺陷的有效识别。

通过对相位偏折法（PDM）原理的分析及了解，结合系统的组成，可以看出，影响汽车涂层缺陷识别效果的因素主要有几下几点：

（1）涂层及缺陷的种类。根据相位偏折法的原理可以看出，非镜面或类镜面的涂层上的缺陷无法检出。可以检出的缺陷是需要引起光线形变的缺陷，因此，涂装的橘皮、打磨抛光痕等无法检出。

（2）光源的选择。根据相位偏折法，显示屏需对漆面进行条纹类光线的投影，采用散射光源，由于其具有多个方向的入射角，可让传感器捕捉到多角度反射光，用于相位偏折的分析及计算依据。一般地，主要采用LED屏或LCD屏，或两者相结合。无法采用激光等单一光源。

（3）产品造型的影响。相位偏折法适用于平面的缺陷检测，对于汽车车身，由于其棱线部位无法构成平面效果，因此，一般地，如果颗粒等缺陷刚好在车身棱线部分，则其检出概率较低。

（4）算法。算法在视觉技术系统的作用类似于人类的大脑，因此，缺陷检测效果的识别率和算法强相关。逻辑完善的算法，可以确保检出率>95%，漏检率<2%，同时具备良好的缺陷分类能力，分类准确率>90%。

（5）相机与光源的相对位置。由于系统需要捕捉光源投射到被测面上的影响，根据光的折射以及散射原理可知，光源与相机的相对位置及角度影响合理设计的情况下，可以有效捕捉到相关反射光线，积累样本量。因此，图像重建流程中，需要对光源及相机的位置关系进行确定及标定，保证相机对于光源的有效捕捉，如图4所示。

图4 相机与光源的相对位置

4 涂装缺陷检测应用形式及未来展望

目前，在汽车/保险杠行业应用的漆膜检测技术的应用形式主要有两种：一种是机器人+视觉+光源；第二种是隧道钢构+视觉+光源。

其中，机器人+视觉+光源的组合形式，由于机器人动作的灵活性，可应用于车身及保险杠。此种检测方式不受车型限制，可调整机器人轨迹，根据车型外观仿形，以尽可能地保证缺陷的识别率及检出率。由于每个视觉头检测能力有一定的范围，因此，需根据车型大小以及生产线节拍等，配置不同数量的机器人及检测头。一般地，对于30JPH的生产线，需要配置2～4台机器人才能满足此节拍下的检测需求，可适用于走停式或连续式输送线。

对于隧道钢构+视觉+光源的缺陷检测方式，分为车身检测以及尾门检测，其中，车身检测适用于走停式或连续式输送线，尾门检测受检测时间影响，建议采用走停式。此检测方式在最大车身通过范围内，同样不受车型限制，适用于所有车型。但相机的数量及布局，在前期规划时需尽可能地考虑产线上所有车型的特点，以保证一定的缺陷检出率。

此两种形式均在国内外有相关应用案例。部分案例中，还增加了缺陷自动标记、缺陷打磨等设备，实现车身外板的缺陷自动识别及自动处理。

视觉技术的进步、算法的日趋完善以及工业应用的日益增多，此三者相辅相成，可以推进算法逻辑的日趋完善，进而推动视觉技术的进步，有助于视觉技术更好地为工业自动化和智能化服务。

参考文献：

[1] 李大海,王瑞阳,张新伟.基于位相测量偏折术的高精度检测平面光学元件面形的方法[J].应用光学,2020,41(4):844-856.

[2]朱正德.谈“机器视觉”在汽车制造业中的应用[J].中国测试技术,2006,32(5):22-25.

本文为“AI汽车制造业”首发，未经授权不得转载。版权所有，转载请联系小编授权（VOGEL100）。本文作者：张艳芬  李飞  郭家  王云飞，单位：吉利汽车集团有限公司。责任编辑龚淑娟，责任较对何发。本文转载请注明来源：AI汽车制造业