0 前言

随着汽车制造业的快速发展，传统的人工检测模式已难以满足高质量生产的需求，尤其是在底盘与轮胎质检环节，人工检测效率低、错漏频发的问题尤为突出。尽管机器视觉技术已在工业生产中得到广泛应用，但在汽车底盘与轮胎质检领域，现有的机器视觉系统仍存在检测精度不足、实时性差等问题。为此，本文提出了一种基于机器视觉的创新检测系统，通过多模型融合策略（DBNet、CRNN和YOLO等），实现了对车辆识别号、轮胎及底盘的高精度、实时检测。与传统检测方法相比，该系统不仅显著提升了检测效率和准确性，还通过实时数据记录和大屏展示功能，增强了检测信息的可追溯性和传播效率，为我们汽车制造企业提供了强有力的技术支持。

1 机器视觉图象预处理

1.1 VIN码识别

在新能源汽车的生产过程中，车辆识别号（VIN码）是每个车辆独一无二的标识码，由17位字符组成，包含了车辆的制造商、生产年份、车型、车身类型以及发动机类型等重要信息。VIN码在车辆的生产和管理中起着关键作用，特别是在零件检测和质量控制环节。通过机器视觉技术读取和验证VIN码，可以确保每个零件与对应的车辆信息准确匹配，从而提高生产过程的透明度和可追溯性。

通过使用CCD面阵相机、光源和镜头等多种设备，采集汽车总装过程中车轮位置的图像信息。首先采集车辆识别号区域的图像。

在图像采集过程中，由于现场光照条件的不一致和不同材料对光的反射特性等因素的影响，拍摄得到的图像可能会存在不同程度的噪声。这些噪声一旦出现，图像质量便会遭到破坏，后续图像文本的准确识别也会受到不良影响。鉴于此，想要让图像处理的精度与可靠性有所提升，就得针对获取的图像实施预处理操作。

高斯滤波作为图像处理与信号处理里常用的一种平滑技术，它以高斯分布作为权重函数，通过对像素值进行加权平均的计算方式，来实现对噪声的有效滤除，在相关领域有着极为广泛的应用。高斯滤波的核心思想是，在每个像素点周围定义一个邻域，并根据高斯分布计算该邻域内各像素点的权重。高斯滤波采取加权平均的策略，使得在消除噪声的进程中，图像边缘的清晰度得以保全，有效防止了传统均值滤波带来的边缘模糊困境，于图像处理中彰显独特优势。

高斯滤波函数表达式：

式中，σ是高斯函数的标准差，决定了高斯函数的宽窄程度，μ代表高斯函数的平移参数，决定了高斯曲线的中心位置。

接着，运用DBNet模型针对VIN文本的边界框展开精准识别与定位操作。相较于传统的基于分割的普通文本检测算法，DBNet模型通过网络预测每个位置处的阈值，从而避免了单一阈值对整幅图像像素进行不合理二值化分割的问题。因此，DBNet模型可以达到更高效与精确地分离文本背景与前景的目的，提升文本检测的鲁棒性和准确性。

图1描绘了DBNet模型的架构。在处理流程中，输入图像会先被导入特征金字塔网络（FPN），该网络会对图像进行加工，进而生成四张特征图，这些特征图的分辨率与原始图像不同，分别为原始图像的1/4、1/8、1/16和1/32大小。这些特征图随后分别上采样至1/4大小，并通过通道拼接（concatenation）操作合并为一个特征图(F)。模型依据F来产出概率图（probability map）以及阈值图（threshold map），借助后续的一连串计算操作，最终能够获取近似二值图。

图1 DBNet模型网络结构

DBNet通过可微二值化技术，对标准二值化中的阶跃函数进行了近似，从而实现了端到端的可训练性。

式中，P代表先前提及的概率图；而T是与之对应的阈值图；k为设定的增益因子。公式通过类似sigmoid函数形式，能让二值化步骤融入网格训练，提升文本检测的鲁棒性。

当对图像实施阈值二值化操作结束后，凭借图像分割技术，结合水平和垂直投影技术的运用，实现字符间的分离效果。通过连通域分析的方法来确定图像中独立存在的元素，把整幅图像拆解为多个具有相近特征的局部区域。通过计算每一行和每一列的非零像素数，生成水平与垂直投影曲线，以更精确地界定字符边界。直至最后，启用CRNN模型来对处于指定文本框里的文字予以精准无误的识别与判定。

CRNN，其全称为Convolutional Recurrent Neural Network，也就是卷积循环神经网络。它是一种独具特色的模型构造，主要聚焦于实现对那些长度并不固定的文本序列进行端对端的精准识别作业。它能够直接处理整段文本，无须预先单独切割字符，而是将识别过程转变为基于时间序列的学习任务。CRNN的架构由三部分构成：卷积层（CNN）、循环层（RNN）和转录层（CTC loss），依次自上而下排列。

卷积层结合了标准CNN中的卷积层和最大池化层，旨在将输入图像调整到统一的高度。经由深度卷积的运作流程，特征图得以被构建，相应特征也被从中析取。于特征序列的范畴内，各特征向量实际上等同于特征图某一列的具象表达，且此列与原始图像的特定矩形区域构成映射联系。双向循环层的职能是深度剖析这些特征序列，洞察特征向量的内在特性，从而导出预测的标签分布态势。最终，转录层会把循环层生成的标签分布序列转换为确切的标签序列成果，以此达成整个文本识别流程的关键一环。

1.2 轮胎检测

通过图像处理以及字符识别，确认车辆的VIN码并获取其零部件信息后，即可开始对车辆轮胎进行检测。

汽车轮胎进入检测区域的图片，如图2所示，轮胎需要的检测项包括：确认轮毂的类型及其安装是否正确；卡钳颜色是否正确；轻重点5°以内，即图中两个黄色点和圆心连线的角度小于5°。四个车轮锥度点颜色是否一致以及装饰罩类型安装是否正确。

图2 轮胎检测

YOLO模型是一个完全由卷积层构成的实时目标检测系统，该模型将目标检测任务视为回归问题，能够直接从输入图像预测边界框和类别概率，无须先生成候选区域。

当被检测车辆运送到待检测区域后，系统会触发相机进行拍照，同时系统会检查车轮图像是否完整且清晰，若图像不满足要求，则会重新进行采集。对于采集完整的图像，利用经过大量数据集训练的YOLO模型，通过提取轮胎的边界并计算中心点，得到黄色点和圆心连线的角度。

在图像处理时，HSV色彩模型可提取图像颜色。与RGB相较，HSV更符合人眼视觉，其色彩特征表意更佳，助力图像色彩识别等处理。当需要平滑地改变颜色时，HSV模型更为直观，只需调整色调、饱和度和亮度参数即可实现。就图像处理任务而言，HSV模型在锁定特定颜色与按颜色分割物体上独具长处，能精准锚定颜色目标，清晰划分物体界限，为图像处理的精确化运作给予强劲助力。

1.3 底盘检测

汽车底盘是整车的结构根基，托举着传动、悬架、转向与制动等核心体系组件，为车辆的整体性能与安全行驶筑牢根基。底盘的设计与性能对车辆的安全性、操控性、舒适性和燃油经济性有着直接的影响。

底盘作为车辆最重要的总成之一，其检测要求尤为严格。检查内容涵盖84个螺栓和卡扣的安装以及11处搭接部分，确保全部没有遗漏和覆盖无外露。测量区域覆盖整个底盘，而单个相机的最远景深和测量视野难以满足如此大范围的拍摄需求。因此，需要对车辆底盘进行区域划分，通过相机与底盘之间的相对移动，进行循环采集图片，以确保获取整个底盘的完整图像。接下来，采取图像融合算法与拼接技术，把采取得到的多张图像，整合成一幅完整的车辆底盘图片，如图3所示。

图3 底盘检测

如图4所示，位于左右两侧的相机各自针对底盘区域展开拍摄工作，进而成功采集到了一定数量的图像。首先，通过特征提取来识别这些图像中的特征点，进行图像配准，建立图像间的几何关系，确保它们能够在同一参照系中进行变换。然后，通过图像变形技术，将其中一个图像重新投影并存放在更大的画布上。而后，针对每幅图像边界部分的像素灰度数值施行调适举措，借由此举去除缝隙，进而创建出融合图像，促使图像彼此之间能够达成顺滑的衔接过渡状态。图4a为左、右相机分别采集的多幅车辆底盘不同区域图片，经图像融合和拼接后得到的图像，如图4b为经过检测后输出检测结果。

图4 车辆底盘

2 机器视觉检测系统

基于现有的内部数据系统，设计接口，实时同步车型配置及队列，利用AI视觉检测系统进行算法范围分析，进行防流出、防错全流程闭环管理；VIS质检系统具备信息报警、信息实时推送、返修放行、数据存档、查询和回溯，算法标准化、接口通用化以及迭代升级等功能。

如图5、图6所示，通过接口，获取内部数据系统的车辆数据，然后经过轮胎和底盘视觉检测系统，并实时展示检测信息，对于检测正常的车辆，则车辆正常下线，并将测量结果实时上传到内部系统，检测过程中若发现异常，则现场报警，系统对异常结果进行存档，工作人员对异常车辆进行检查、处理，然后解除报警重新进入视觉测量系统检测，直至正常下线。同时车辆的检测结果可以发送至手机端，确保数据传递的实时性。

图5 车辆底盘轮胎完整检测流程

图6 测量系统界面

3 结语

本文提出的基于机器视觉的汽车底盘与轮胎质检系统，通过多模型融合策略，实现了对车辆识别号、轮胎及底盘的高精度、实时检测。与传统人工检测相比，该系统显著提升了检测效率和准确性，关键工位问题检出率和过线车辆质量记录率均达到100%。该系统的应用不仅降低了企业的运营成本，还显著提升了生产效率和产品质量，具有广泛的应用前景和市场竞争力。

参考文献

[1] 张宸维.基于机器视觉技术的汽车零部件表面缺陷检测方法 [J].汽车画刊,2024,(8):76-78.

[2] 黄爱维,钱辉,牛华.基于机器视觉技术的新能源汽车零部件表面缺陷检测[J]. 激光杂志 ,2024,45(6):253-258.

[3] 杨雪晴.基于机器视觉的电动汽车无线电能传输系统金属异物检测研究[D]. 南宁：广西大学 ,2024. [4] 程学晓.新能源汽车自动驾驶高精度视觉检测技术的研究及应用[J]. 时代汽车 ,2024,(5):104-106.

[5] 万春鹏.基于机器视觉的汽车盖板表面缺陷检测技术的研究[D]. 哈尔滨：哈尔滨工业大学 ,2023.

[6] 曾文治.基于机器视觉的汽车车灯零部件尺寸测量和缺陷检测系统设计[D]. 杭州：中国计量大学 ,2022.

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：黄军辉 杨肖 柳发文，单位：吉利汽车研究院（宁波）有限公司。责任编辑龚淑娟，责任校对何发。本文转载请注明来源：AI汽车制造业