基于虛擬油石的白車身表面缺陷檢測(cè)

摘要：為解決人工油石打磨檢測(cè)白車身表面缺陷效率低、主觀性評(píng)價(jià)影響較大的問(wèn)題，提出了一種虛擬油石檢測(cè)方法，闡述了其基于高精度3D掃描儀的3D數(shù)據(jù)采集系統(tǒng)，自動(dòng)分析汽車覆蓋件和白車身表面缺陷的算法及步驟，運(yùn)用仿真試驗(yàn)和模擬實(shí)際生產(chǎn)線在線檢測(cè)試驗(yàn)的方法進(jìn)行驗(yàn)證，結(jié)果表明，該方法能夠穩(wěn)定檢測(cè)白車身表面缺陷，提高汽車生產(chǎn)線表面質(zhì)量檢測(cè)的效率和精度。

關(guān)鍵詞：白車身 虛擬油石 缺陷檢測(cè)

中圖分類號(hào)：U468.2" " "文獻(xiàn)標(biāo)志碼：B" "DOI： 10.19710/J.cnki.1003-8817.20240077

Surface Defect Detection of Body-In-White Surface Based on Virtual Oilstone

Abstract： To address the issue of low efficiency and great subjective influence while the laborer using the oilstone to polish the surface defects of Body-In-White（BIW） parts， this paper proposes a virtual oilstone detection method， and elaborates a data 3D system based on a high-precision 3D scanner data acquisition and automatically analyzes the algorithm and steps of surface defects on automotive panels and BIW. Simulation experiments and online detection experiments of virtual production lines are used to verify the method. The results show that this method can detect BIW surface defects stably and improve the efficiency and accuracy of surface quality detection on the automotive production line.

Key words： Body-In-White， Virtual oilstone， Defect detection

1 前言

汽車在制造過(guò)程中，車身易出現(xiàn)的缺陷有凹坑、凸起、波浪等。在當(dāng)前傳統(tǒng)的汽車產(chǎn)線中，汽車覆蓋件和白車身的表面質(zhì)量檢測(cè)普遍依賴人工檢測(cè)，人工檢測(cè)常用的手段包括：借助強(qiáng)光照射的目視檢查，手套輔助的觸摸檢查以及油石打磨。其中，油石打磨[1-2]的方式應(yīng)用較為廣泛。

白車身焊裝完成后，根據(jù)汽車覆蓋件和白車身局部表面的特點(diǎn)，人工選擇不同尺寸的油石按特定方向?qū)Ρ砻孢M(jìn)行打磨。如果待檢測(cè)表面平整無(wú)缺陷，油石打磨過(guò)程中會(huì)對(duì)表面均勻著色。如果表面存在缺陷則會(huì)導(dǎo)致表面著色不均。根據(jù)打磨后的表面著色情況可對(duì)表面質(zhì)量進(jìn)行評(píng)估。

該方法耗時(shí)且有主觀性，人員的技能、注意力直接影響評(píng)價(jià)結(jié)果，很難滿足自動(dòng)化生產(chǎn)線的需求。且傳統(tǒng)方法的人工表面質(zhì)量檢測(cè)效率較低。研究表明[3]，傳統(tǒng)檢測(cè)手段已經(jīng)無(wú)法滿足當(dāng)前的檢測(cè)要求，會(huì)延長(zhǎng)缺陷修復(fù)的等待時(shí)間，增加缺陷修復(fù)成本。

隨著3D掃描技術(shù)的發(fā)展，基于3D掃描儀的缺陷檢測(cè)成為一種新的趨勢(shì)[4]。為彌補(bǔ)傳統(tǒng)檢測(cè)手段的不足，本文提出一種虛擬油石檢測(cè)方法。該方法基于高精度3D掃描儀采集的3D數(shù)據(jù)自動(dòng)分析汽車覆蓋件和白車身的表面質(zhì)量，避免人工油石打磨對(duì)表面的影響，可減少表面質(zhì)量檢測(cè)過(guò)程對(duì)人工的依賴，有效提高檢測(cè)的穩(wěn)定性和一致性，提高汽車表面質(zhì)量檢測(cè)的效率和精度。

2 數(shù)據(jù)采集

2.1 數(shù)據(jù)采集裝置

數(shù)據(jù)采集裝置為條紋結(jié)構(gòu)光3D掃描儀，如圖1所示，包含1個(gè)投影儀和1個(gè)帶有電荷耦合器件（Charge Coupled Device，CCD）圖像傳感器的數(shù)碼相機(jī)。

投影儀向待掃描物體表面投射條紋結(jié)構(gòu)光，CCD相機(jī)捕獲物體表面反射的條紋結(jié)構(gòu)光圖像并基于捕獲的結(jié)構(gòu)光圖像恢復(fù)物體表面的輪廓信息。

2.2 數(shù)據(jù)采集系統(tǒng)

整個(gè)檢測(cè)系統(tǒng)的硬件結(jié)構(gòu)如圖2所示，機(jī)械臂末端搭載數(shù)據(jù)采集裝置，輥床承載車身且能夠控制停止位置。

2.3 數(shù)據(jù)采集流程

對(duì)于汽車覆蓋件和白車身，數(shù)據(jù)采集裝置無(wú)法通過(guò)一次拍攝覆蓋待檢測(cè)件的所有檢測(cè)區(qū)域，須移動(dòng)到不同的位置進(jìn)行數(shù)據(jù)采集。因此，在數(shù)據(jù)采集前需要基于示教位置的標(biāo)準(zhǔn)車身對(duì)機(jī)械臂軌跡進(jìn)行示教。

首先，基于待檢測(cè)件的CAD模型以及3D掃描儀的工作參數(shù)（工作距離和視野）設(shè)計(jì)機(jī)械臂的工作路徑，保證數(shù)據(jù)采集的準(zhǔn)確性和完整性。然后，基于標(biāo)準(zhǔn)車身微調(diào)每一個(gè)采集位置，從而確保精確采集每個(gè)位置的數(shù)據(jù)。

示教完成后，系統(tǒng)存儲(chǔ)微調(diào)后的機(jī)械臂工作路徑及標(biāo)準(zhǔn)車身的示教位置。在后續(xù)數(shù)據(jù)采集過(guò)程中，汽車件到達(dá)標(biāo)準(zhǔn)車身示教位置后，機(jī)械臂按固定路徑采集數(shù)據(jù)。

待檢測(cè)件或標(biāo)準(zhǔn)件到達(dá)示教位置后，機(jī)械臂將按示教軌跡順序采集每個(gè)位置的數(shù)據(jù)，或在特定的位置采集數(shù)據(jù)。

3 算法描述

3.1 算法框架

基于虛擬油石的白車身面品表面缺陷檢測(cè)算法包含2個(gè)階段：標(biāo)準(zhǔn)件示教階段和待檢測(cè)件在線檢測(cè)階段，如圖3所示。

在標(biāo)準(zhǔn)件示教階段，機(jī)械臂搭載數(shù)據(jù)采集裝置按預(yù)定義的軌跡分別采集對(duì)應(yīng)位置的數(shù)據(jù)并存儲(chǔ)。同時(shí)，對(duì)每一個(gè)位置采集的數(shù)據(jù)定義有效檢測(cè)區(qū)域、參考打磨方向和檢測(cè)參數(shù)。

在線檢測(cè)階段，待檢測(cè)件到達(dá)標(biāo)準(zhǔn)車身示教位置后，機(jī)械臂搭載數(shù)據(jù)采集裝置按預(yù)定義的軌跡分別采集對(duì)應(yīng)位置的數(shù)據(jù)，算法模塊基于采集的數(shù)據(jù)進(jìn)行缺陷檢測(cè)和分析。

3.2 算法流程

3.2.1 標(biāo)準(zhǔn)件示教

標(biāo)準(zhǔn)件示教配置如圖4所示。首先選取一個(gè)白車身表面件作為標(biāo)準(zhǔn)件放置在機(jī)械臂搭載的數(shù)據(jù)采集裝置的理想檢測(cè)位置，對(duì)標(biāo)準(zhǔn)件進(jìn)行數(shù)據(jù)采集，獲得清晰的照片數(shù)據(jù)，并依據(jù)采集數(shù)據(jù)生成3D模型數(shù)據(jù)；然后，對(duì)標(biāo)準(zhǔn)件分塊采集的照片數(shù)據(jù)劃分出有限檢測(cè)區(qū)域、配置標(biāo)準(zhǔn)件位置坐標(biāo)等；最后，完成機(jī)械臂運(yùn)行軌跡程序。

每一個(gè)位置采集的數(shù)據(jù)定義有效檢測(cè)區(qū)域和對(duì)應(yīng)檢測(cè)區(qū)域的參考打磨方向。有效檢測(cè)區(qū)域指數(shù)據(jù)穩(wěn)定的區(qū)域，參考打磨方向與人工油石打磨方向一致，復(fù)雜曲面需分別評(píng)估。

將待檢測(cè)件的表面3D數(shù)據(jù)按平整度劃分為不同局部表面，對(duì)每個(gè)局部表面按照實(shí)際打磨方向設(shè)置標(biāo)準(zhǔn)打磨方向。提取表面3D數(shù)據(jù)中所有點(diǎn)的法向量，根據(jù)法向量的相似性對(duì)3D數(shù)據(jù)中所有點(diǎn)進(jìn)行聚類。經(jīng)過(guò)聚類后，將表面3D數(shù)據(jù)劃分為若干個(gè)平整度高的局部表面，并對(duì)每個(gè)局部表面分別設(shè)置打磨方向。圖5所示為某個(gè)區(qū)域和對(duì)應(yīng)的參考打磨方向。基于3D數(shù)據(jù)和參考打磨方向計(jì)算該區(qū)域內(nèi)所有的打磨方向。

3.2.2 在線檢測(cè)

在線檢測(cè)的流程如圖6所示。首先采集待檢測(cè)汽車覆蓋件或白車身表面的3D數(shù)據(jù)，基于待檢測(cè)的汽車覆蓋件或白車身表面的3D數(shù)據(jù)生成打磨方向和表面方向，然后，在表面評(píng)估階段對(duì)每個(gè)待評(píng)估點(diǎn)[Pi]執(zhí)行局部截面生成、局部界面線生成、局部質(zhì)量評(píng)估，根據(jù)所得的偏差給出點(diǎn)的分類和等級(jí)。表面評(píng)估階段對(duì)每個(gè)待檢測(cè)點(diǎn)循環(huán)執(zhí)行，直至完整評(píng)估整個(gè)待檢測(cè)汽車覆蓋件或白車身表面。

提取表面3D數(shù)據(jù)中所有位置的法向量的步驟為[5]：首先進(jìn)行鄰域搜索，搜索時(shí)利用3D掃描儀采集數(shù)據(jù)的空間特性提高搜索效率；然后開(kāi)展平面擬合，基于搜索區(qū)域中的點(diǎn)擬合出平面。平面的法向量即為對(duì)應(yīng)位置的標(biāo)準(zhǔn)表面方向。

在線數(shù)據(jù)采集過(guò)程中，由于存在系統(tǒng)誤差，導(dǎo)致同一個(gè)位置采集的數(shù)據(jù)和對(duì)應(yīng)位置標(biāo)準(zhǔn)車身的數(shù)據(jù)存在視覺(jué)偏差，因此，需要基于特征點(diǎn)對(duì)數(shù)據(jù)進(jìn)行對(duì)齊，得到當(dāng)前數(shù)據(jù)的標(biāo)準(zhǔn)打磨方向以及當(dāng)前的蒙版區(qū)域。

逐點(diǎn)評(píng)估階段需循環(huán)表面質(zhì)量評(píng)估步驟，對(duì)待檢測(cè)汽車覆蓋件或白車身表面3D數(shù)據(jù)的每一個(gè)待評(píng)估點(diǎn)[Pi]執(zhí)行如下步驟：

a. 局部平面生成。根據(jù)待評(píng)估點(diǎn)所在位置的打磨方向、表面方向以及位置信息生成局部平面。[Pi]的打磨方向?yàn)槠渌鶎賹?duì)應(yīng)標(biāo)準(zhǔn)件相應(yīng)位置的打磨方向[Di]，[Pi]的表面方向?yàn)樵谏鲜霾襟E已經(jīng)求得的[Ni]，根據(jù)[Di]、[Ni]、[Pi]生成局部表面[Fi]，如圖7所示。

b. 局部截面生成。局部平面和待檢測(cè)件的表面相交形成局部截面。如圖8所示，根據(jù)局部表面[Fi]和待檢測(cè)汽車覆蓋件或白車身表面3D數(shù)據(jù)生成局部截面[Li]。

c. 局部截面線生成。局部截面以當(dāng)前評(píng)估點(diǎn)為中心生成長(zhǎng)度為[L]的局部截面線。其中，[L]為人工打磨時(shí)使用的油石尺寸。如圖8所示，以[Pi]為中心，在[Li]上截取長(zhǎng)度為[L]的局部截面線[li]。[L]根據(jù)經(jīng)驗(yàn)和檢測(cè)目標(biāo)調(diào)整，如果檢測(cè)的表面缺陷尺寸小，則選擇較小的[L]，反之則選擇較大的[L]。為檢測(cè)不同尺寸的缺陷，可在同一個(gè)位置設(shè)置不同尺寸[L]的檢測(cè)算子。

d. 局部質(zhì)量評(píng)估。根據(jù)局部截面線擬合局部界面線，計(jì)算當(dāng)前位置與局部截面線的偏差，根據(jù)偏差以及工藝參數(shù)確定當(dāng)前點(diǎn)是否存在缺陷并根據(jù)偏差值確定缺陷等級(jí)。

4 試驗(yàn)與分析

4.1 仿真試驗(yàn)

為驗(yàn)證算法的可行性，基于仿真數(shù)據(jù)對(duì)算法進(jìn)行定量分析和定性分析。

算法檢測(cè)效果與缺陷尺寸、缺陷位置、3D掃描儀精度直接相關(guān)，因此，仿真數(shù)據(jù)涵蓋了多種缺陷尺寸、面型和3D掃描儀精度。

數(shù)據(jù)仿真包含3D掃描儀仿真模塊、白車身面型仿真模塊、缺陷仿真模塊。3D掃描儀仿真模塊中，仿真3D掃描儀的分辨率為每英寸4 000像素[×]3 000像素，視野范圍為300 mm[×]200 mm，工作距離為420 mm，景深為[±]20 mm。

在白車身面型仿真模塊中，為準(zhǔn)確和全面地對(duì)算法進(jìn)行定量分析和定性分析，仿真的面型數(shù)據(jù)應(yīng)盡量接近白車身面品的實(shí)際缺陷。為模擬多種白車身面品形狀，仿真數(shù)據(jù)涵蓋了平面和不規(guī)則弧面。

缺陷仿真模塊能夠基于白車身面型仿真模塊生成的面型數(shù)據(jù)模擬白車身面品中的缺陷。常見(jiàn)的白車身表面缺陷深度范圍為0.01～1.99 mm。仿真缺陷深度以步長(zhǎng)為0.01 mm進(jìn)行采樣，采樣結(jié)果的深度為分別為0.01 mm、0.02 mm、0.03 mm、……、1.99 mm。白車身表面缺陷的長(zhǎng)度、寬度范圍為50～110像素，缺陷尺寸范圍涵蓋了白車身面品上的常見(jiàn)缺陷尺寸。

為評(píng)估實(shí)際應(yīng)用場(chǎng)景下3D掃描儀采集精度對(duì)算法的影響，仿真試驗(yàn)中生成了多種層次噪聲的3D數(shù)據(jù)，多種層次噪聲可模擬實(shí)際拍攝時(shí)由于相機(jī)本身精度限制和系統(tǒng)誤差導(dǎo)致的噪聲。圖10～圖12所示為不同層次噪聲下平面上的缺陷仿真示意。表1所示為平面仿真數(shù)據(jù)的缺陷檢測(cè)統(tǒng)計(jì)值。

圖10中，第1行、第2行、第3行的缺陷深度分別為0.01 mm、0.02 mm、0.03 mm。

圖11中，第1行、第2行、第3行的缺陷深度分別為0.01 mm、0.05 mm、0.10 mm。

通過(guò)平面和不規(guī)則弧面的數(shù)據(jù)仿真，深度gt;0.01 mm的不同尺寸（3～20 mm）的缺陷檢測(cè)準(zhǔn)確率為100%，可實(shí)現(xiàn)穩(wěn)定可靠的檢測(cè)。

4.2 模擬生產(chǎn)線在線檢測(cè)

為了驗(yàn)證算法的可行性，基于3D掃描儀采集的白車身數(shù)據(jù)，對(duì)算法進(jìn)行了定量和定性分析。

試驗(yàn)利用3D掃描儀獲取缺陷位置的3D數(shù)據(jù)，基于3D數(shù)據(jù)對(duì)缺陷進(jìn)行評(píng)估。在實(shí)驗(yàn)室條件下進(jìn)行缺陷策劃、數(shù)據(jù)采集和檢測(cè)測(cè)試，依據(jù)白車身奧迪特缺陷定義及分級(jí)標(biāo)準(zhǔn)進(jìn)行分類和分級(jí)，整體檢測(cè)準(zhǔn)確率統(tǒng)計(jì)結(jié)果如表2所示，檢測(cè)準(zhǔn)確率為95.8%。

由結(jié)果可知，整體檢測(cè)準(zhǔn)確率基本滿足在線實(shí)施的需求。受實(shí)驗(yàn)室條件限制，數(shù)據(jù)集制備有限，后續(xù)會(huì)在實(shí)際生產(chǎn)中進(jìn)行更多的缺陷數(shù)據(jù)收集，同時(shí)重新訓(xùn)練和更新整體算法模型，達(dá)到更加穩(wěn)定的檢測(cè)效果。

5 結(jié)束語(yǔ)

本文提出一種基于高精度3D掃描儀采集的3D數(shù)據(jù)，自動(dòng)分析汽車覆蓋件和白車身表面質(zhì)量的虛擬油石檢測(cè)方法，經(jīng)過(guò)模擬實(shí)際生產(chǎn)線場(chǎng)景的試驗(yàn)驗(yàn)證，能夠穩(wěn)定實(shí)現(xiàn)白車身表面缺陷檢測(cè)，避免了人工油石打磨對(duì)車身表面的影響，減少了表面質(zhì)量檢測(cè)過(guò)程對(duì)人工的依賴和主觀性的影響，能夠有效提高檢測(cè)的穩(wěn)定性和一致性，提高汽車生產(chǎn)線表面質(zhì)量檢測(cè)的效率和精度。后續(xù)將研究基于數(shù)字化檢測(cè)結(jié)果的自動(dòng)機(jī)器人修復(fù)技術(shù)。

參考文獻(xiàn)：

[1] 深圳市泛海統(tǒng)聯(lián)精密制造股份有限公司. 一種鈑金曲面缺陷檢測(cè)工具： CN201811376829.6[P]. 2020-07-24[2024-03-08].

[2] 吳瓊興. 汽車覆蓋件面畸變量化評(píng)價(jià)方法及應(yīng)用[J]. 模具工業(yè)， 2023， 49（3）： 53-58.

[3] DANNER， RICARDO K. Utilizing Automated Inspection to Identify Surface Quality Defects within the Automotive Body Assembly Process[D]. Cambridge， MA， USA， Massachusetts Institute of Technology， 2020.

[4] 張克武， 劉紅武， 李彥波. 基于JSTAMP/NV的汽車外覆蓋件表面缺陷仿真[J]. 計(jì)算機(jī)輔助工程， 2013， 22（5）： 129-131.

[5] HOLZER S， RUSU R B， DIXON M， et al. Adaptive Neighborhood Selection for Real-Time Surface Normal Estimation from Organized Point Cloud Data Using Integral Images[C]// 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems， 2012： 2684-2689.