基于機器視覺的汽車漆膜外觀質量檢測與評價方法研究

摘 要：本文針對汽車漆膜質量檢測問題，提出融合深度學習的機器視覺檢測系統。系統采用硬件-軟件協同架構，通過多光譜成像技術實現對汽車曲面部件的全覆蓋檢測，并設計曲面自適應光照補償模型，構建符合標準的缺陷分類體系。關鍵技術包括基于反射率校正的曲面補償算法、改進的YOLOv5缺陷檢測算法以及多維度量化評價體系。實驗結果表明，該系統在檢測速度、漏檢率、誤檢率及綜合成本方面均優于人工檢測，能有效解決傳統方法在曲面部位檢測的難題，提升汽車漆面質量控制水平，為汽車涂裝工藝優化提供數據支持，助力汽車制造智能化發展。

關鍵詞：汽車漆膜 機器視覺 深度學習 缺陷檢測 質量評價

汽車漆膜質量直接影響產品防腐性能與市場競爭力，據統計，涂裝缺陷導致的返修成本占整車制造成本的3%-5%[1]。傳統人工檢測受限于主觀經驗與視覺疲勞，難以滿足智能制造對檢測精度（≤0.1mm）與效率（≥60JPH）的要求。機器視覺技術為漆膜質量量化評價提供了新路徑，Zhang等通過多光譜成像實現了涂層厚度的在線測量，但在曲面反射抑制方面仍存在局限[2]；而ISO 2813標準對光澤度量化評價的規范化需求，進一步凸顯了檢測方法標準化研究的必要性。本文提出融合深度學習的機器視覺檢測系統，創新性設計曲面自適應光照補償模型，并構建符合ASTM D523標準的缺陷分類體系，為解決汽車涂裝行業微缺陷識別率低、評價標準離散化等問題提供技術支撐。

1 檢測系統總體設計

1.1 系統架構

本系統采用模塊化設計理念，構建如圖的硬件-軟件協同架構。系統由圖像采集單元、數據處理單元和人機交互單元組成，其中圖像采集單元采用多光譜成像技術實現對汽車引擎蓋、車門等典型曲面部件的全覆蓋檢測。數據處理單元通過邊緣計算設備實現檢測算法部署，確保滿足產線節拍要求（≤45秒/臺）。系統通信采用工業以太網協議，實現與工廠MES系統的實時數據交互。

1.2 硬件配置

硬件系統核心參數如表1所示，選用Basler ace 2相機（分辨率2，448×2，048，幀率25 fps）配合Edmund Optics 55mm遠心鏡頭，確保在300-700 nm光譜范圍內實現微米級缺陷捕捉。

針對汽車曲面件檢測需求，設計了如上圖所示的多角度LED陣列布局，金色點表示8組主照明LED，藍色點表示2組輔助檢測LED，該設計可使光照均勻度達到92%以上（測量方法參照ISO 13660標準）。采用8組環形排列的白色LED（色溫6，500K）與4組傾斜30°布置的藍色LED（波長460 nm）組合照明方案，有效消除引擎蓋、車門等復雜曲面的反光干擾。

1.3 軟件處理流程

各模塊采用線程池并行處理技術，通過共享內存實現數據零拷貝傳輸。實驗表明，該系統在檢測車門部件時，單件處理時間控制在8.2s以內，滿足產線節拍要求。系統集成OPC UA接口，可將檢測數據實時上傳至MES系統，實現質量數據追溯[3]。

在產品的生產線上，為了確保能夠滿足實時檢測的要求，我們對關鍵處理階段進行了嚴格的時間分配。首先是圖像采集階段，這一過程需要40毫秒。完成圖像采集后，隨即進入預處理階段，該階段耗時25毫秒。預處理完成后，系統將進入缺陷分析階段，這一階段的時間為50毫秒。最后是結果輸出階段，僅需5毫秒即可完成。通過這樣精細的時間分配，整個關鍵處理階段能夠在規定的時間內完成，從而滿足產線實時檢測的要求。

2 關鍵技術研究

2.1 圖像預處理算法

在汽車曲面件檢測中，由車身復雜曲面導致的光照反射差異是影響檢測精度的首要問題。本研究提出基于反射率校正的曲面補償算法，其數學模型可表述為：

其中，是校正后像素值，是原始圖像像素值，曲面反射率分布函數，是標準平面平均反射率。

由上圖可知，該算法通過建立曲面反射率映射，有效消除因車身曲面導致的明暗差異。采用自適應雙邊濾波進行噪聲抑制，保留邊緣特征的同時降低表面顆粒干擾。左圖為原始采集圖像，右圖顯示經過反射率補償后的處理效果。通過直方圖均衡化處理，表面紋理清晰度提升62%，為后續缺陷識別奠定基礎[4]。

2.2 缺陷檢測算法

為了更好地適應漆膜缺陷檢測任務，對YOLOv5網絡架構進行了針對性的改進。在 Backbone部分，引入了CBAM注意力模塊，這一模塊能夠有效提升對微小缺陷特征的提取能力，使網絡在處理細微缺陷時更具優勢。在特征金字塔結構上，采用了BiFPN，它能夠優化多尺度特征融合，從而提升對不同尺寸缺陷的檢測效果，讓模型在面對多尺度缺陷時表現更出色。在損失函數方面，引入了Focal Loss，這一損失函數能夠有效解決樣本類別不平衡問題，使模型在面對類別分布不均的數據時，能夠更好地學習和區分各類缺陷，進而提升整體的檢測性能。

由上表可知，在自建數據集（包含2，500張標注圖像）上的測試結果表明，改進后模型在常見缺陷檢測中達到92.4%的平均精度（mAP），較原模型提升6.8個百分點。

2.3 質量評價模型

為量化汽車漆膜的外觀質量，本文構建了建立多維度量化評價體系。

首先是光澤度指標：依據ASTM D523標準

其中，為光澤度偏差，為測量值，為標準值（85-95 GU）。

接下來是色差分析：本文采用CIEDE2000公式

其中，是總色差，是明度差，是彩度差，是色相差。權重參數設置參照Wu等[5]的汽車涂裝研究成果，取，，。

然后是橘皮紋評價：通過小波分解獲取紋理特征

其中，是橘皮指數，是權重系數，分別為0.5，0.3，0.2。是尺度下的圖像的小波系數。

表3列出了汽車漆膜質量評價的五個關鍵指標，包括光澤度、色差、橘皮紋、缺陷面積和位置系數。光澤度通過60°入射角測量，權重為0.35，合格閾值為光澤度偏差。色差使用分光光度計測量，權重為0.30，合格閾值為色差。橘皮紋通過小波分析計算橘皮指數（DOI），權重為0.25，合格閾值為。缺陷面積通過像素統計計算，權重為0.07，合格閾值為缺陷面積。位置系數通過計算缺陷距邊緣的距離，權重為0.03，合格閾值為缺陷距邊緣距離。

這些指標的權重通過AHP層次分析法確定，一致性檢驗，表明權重分配合理。通過這些指標的綜合評價，可以全面、科學地評估汽車漆膜的質量。

3 實驗與結果分析

3.1 實驗設計

為驗證系統有效性，選取某汽車制造廠2022年涂裝產線數據構建實驗樣本集，具體構成如表4所示。實驗設備采用Basler acA2440-75um工業相機（分辨率2448×2048）配合自研多光譜LED光源系統。

該數據集包含1200幅正常樣本和500幅缺陷樣本，分辨率統一為2000×1500像素。按車型分類：緊湊型轎車（珠光白/320幅）主要缺陷為橘皮和顆粒，集中于車門和引擎蓋；SUV（金屬灰/280幅）以流掛和縮孔為主，采集自車頂和翼子板；MPV（星空藍/260幅）常見劃痕和氣泡，分布在側圍及后視鏡；新能源車（曜石黑/240幅）存在色差和光澤不均問題，采集于充電口蓋與立柱；豪華轎車（烈焰紅/200幅）金屬斑和漆霧缺陷樣本最少，來自前保險杠及輪轂。

實驗參數設置如表5所示，重點考察光照強度與檢測精度的非線性關系。通過正交實驗法確定最優參數組合，確保系統適應產線的傳送帶速度。

在該系統或設備的參數設置中，各參數類別具有明確的設定范圍、最優值以及調節精度。光照強度的設定范圍在8000至12000 lux之間，其最優值為10500±200lux，調節精度可達50 lux。相機高度的設定范圍為800-1200 mm，最優值為950 mm，調節精度為5 mm。曝光時間的設定范圍在3.0-8.0ms之間，最優值為5.2ms，調節精度為0.1ms。光譜波段涵蓋可見光與近紅外范圍，設定范圍在450-850nm之間，最優值為10nm，這些參數的合理設置對于系統或設備的性能優化至關重要。

3.2 性能評估

如表6所示，系統單幀平均處理時間為98ms，滿足產線實時檢測要求。通過改進YOLOv5的SPPF模塊，將小目標檢測召回率提升17.6%。該表格對比了傳統方法與本文方法在圖像采集、預處理、缺陷檢測及綜合評價四個階段的耗時，本文方法在各階段均優于傳統方法，優化率分別為 26.1%、33.4%、34.4%、52.3%，總體優化率達34.2%。

3.3 產線驗證數據

在某主機廠涂裝車間進行連續30天驗證測試（表7），系統誤報率控制在0.8%以下，較人工檢測效率提升4.3倍。特別在金屬漆表面檢測中，色差值檢測精度達到0.3 NBS。該表格顯示，本文系統在檢測速度、漏檢率、誤檢率及綜合成本方面均優于人工檢測，提升幅度分別為329.4%、75.0%、72.0%和69.1%，整體表現更優。

實驗結果表明，本文方法在金屬漆表面的光澤度檢測誤差，對粒徑gt;0.1mm的顆粒缺陷檢出率達97%以上，有效解決了傳統方法在曲面部位檢測盲區超過15%的行業難題。

4 結語

本研究成功構建基于機器視覺的汽車漆膜外觀質量檢測與評價體系。通過多光源融合成像與深度學習算法，實現對漆膜微缺陷的精準分類及質量量化評估，檢測準確率顯著高于傳統方法，單幀處理時間符合產線要求，經主機廠涂裝車間應用驗證，漏檢率大幅降低。

在行業應用價值方面，該方法可提升汽車漆面質量控制水平，增強產品市場競爭力，為汽車涂裝工藝優化提供數據支持。未來可進一步聚焦高反光表面處理技術，以適應更多車型檢測需求；同時優化在線實時檢測算法，提高系統運行效率，助力汽車制造向智能化、高效化發展。

參考文獻：

[1]International Paint and Coating Association[Z].Global Automotive Coating Technology Report 2023.

[2]Zhang， Y.， et al. Multi-spectral imaging for coating inspection in automotive manufacturing[J].IEEE Trans. Ind. Inform.，2022，19（3）：2101-2112.

[3]Zhang， Y.， Li， H.， amp; Wang， Q.Integrated vision system design for automotive surface inspection[J].Journal of Manufacturing Systems，2020，65：712-725.

[4]Zhang， H.， et al.Surface defect detection based on adaptive illumination correction[J].Optics and Lasers in Engineering2022，158：107168.

[5]Wu， X.， Chen， L.， amp; Tanaka， T.Color difference evaluation in automotive coating systems[J].Progress in Organic Coatings，2022，163，106657.