基于機器視覺的汽車零件缺陷檢測方法研究

摘 要：針對汽車零件表面缺陷檢測效率低、精度不足的問題，本文采用了連續小波變換方法優化機器視覺圖像采集過程，并結合了Harris角點檢測和金字塔DoG算法，實現了對汽車精密零件表面缺陷特征的精準提取。本文還針對缺陷類型分析其影響因素，從而找到產生缺陷的原因，為零件加工過程的改善提供理論依據。同時，搭建了缺陷視覺檢測平臺，以汽車轉向器內部套筒為對象，實現了精密零件外觀缺陷在線缺陷檢測功能。

關鍵詞：機器視覺；汽車精密零件；表面缺陷檢測；連續小波變換；卷積神經網絡

中圖分類號：TP 391" " 文獻標志碼：A

1 零件外觀圖像數據平臺構建

基于Hadoop分布式技術的精密零件缺陷檢測數據平臺架構主要由分布式集群、圖像數據源、大數據平臺以及缺陷識別分類組成，各部分相互協作，共同支撐整個系統的運行[1]。

1.1 分布式集群

分布式集群作為整個數據平臺的基石，負責處理海量的圖像數據[2]。通過集群化的部署方式，系統能夠充分利用多臺服務器的計算資源實現并行處理和負載均衡。不僅可以提高數據處理的速度，還能提高系統的穩定性和可擴展性。在分布式集群中，每臺服務器都承擔一定的數據處理任務，并通過網絡進行通信和數據交換，確保整個系統的高效運行。

1.2 圖像數據源

圖像數據源是獲取零件外觀圖像的重要渠道[3]。在實際應用中，這些圖像數據通常來源于生產線上的攝像頭、掃描儀等圖像采集設備。為了確保數據的準確性和完整性，需要對圖像數據源進行嚴格的篩選和管理。為了應對不同種類和規格的汽車零件，還需要建立多樣化的圖像數據集，以滿足后續缺陷識別分類的需求。

1.3 大數據平臺

大數據平臺是整個數據平臺的核心部分，其核心職能在于高效地存儲、管理以及深度分析龐大的圖像數據集。通過采用先進的大數據處理技術，例如Hadoop、Spark等，可以高效地處理和分析圖像數據，提取有用的信息。大數據平臺還具有數據分析能力，便于后期缺陷檢測與分類。

1.4 缺陷識別分類

缺陷識別分類是整個系統的最終目標，采用機器視覺算法和深度學習模型對圖像數據進行智能分析和處理。通過訓練和優化模型，提高零件外觀缺陷的檢測效率。這些缺陷可能包括劃痕、裂紋、銹蝕、油污等多種類型。在實際應用中，可以根據具體的檢測需求選擇合適的算法和模型，以提高檢測的準確性和效率。

2 汽車精密零件表面缺陷的機器視覺采樣和預處理

2.1 表面缺陷的機器視覺采樣

在對汽車零件表面缺陷進行機器視覺采樣的過程中，首先需要采集零件表面的圖像信息。本文采用光學傳感器進行圖像采集，結合工件材料的應力參數分析和光學視覺特征采集方法，建立汽車精密零件表面缺陷的視覺成像模型。

在圖像采集過程中，采用連續小波變換構建機器視覺圖像采集模型[4]。連續小波變換作為一種強大的信號處理手段，能夠將復雜信號拆解成不同頻率及尺度的組成部分，精準捕捉圖像中的核心特征。結合光學視覺特征分析，采用仿射變換和先進的特征提取技術，確保在平移、旋轉、縮放及剪切等各類基本變換中完成對汽車精密零部件的視覺追蹤和識別。

為了進一步提高圖像采集的精度和魯棒性，在此引入單背景約束下的表面光澤點提取策略，用于零部件的Harris角點檢測，其可以精確識別圖像中的角點特征，為后續的缺陷識別奠定堅實基礎。此外，本文還通過金字塔DoG（高斯差分）方法深入解析汽車精密零部件表面的尺度信息及邊緣輪廓，補充圖像特征庫。得到對（x，y）-（x，y'）投影的誤差，設置多組冷卻壓力條件，完成表面熱-力耦合效應及塑性變形研究。

系統總體結構采用Harris特征點和尺度不變特征轉換（SIFT）技術，在切削載荷作用下，對汽車精密零部件的表面缺陷進行主動探測和參數信息解析。鑒于汽車零部件表面在熱力耦合效應及塑性變形過程中的復雜變化，研究其表面應力參數。引入機器視覺的特征分析技術深入剖析了切削作業所產生的微觀表面形態。建立表面缺陷的機器視覺采樣模型，如圖1所示。

基于機器視覺采樣結果，運用圖像濾波技術進行汽車精密零件表面檢測，同時融入工件的材料結構參數，以精準提取其表面紋理特征[5]。通過視覺傳感分析形變、相變參數，對其進行動態的視覺圖像追蹤和識別，確保變質層的厚度符合要求，獲取精準的工藝參數。結合微觀組織特征分析，提高零件表面缺陷的視覺檢測和特征表達能力。

2.2 汽車精密零件表面缺陷預處理

預處理環節是機器視覺檢測的核心，對汽車零件缺陷檢測的精度有決定性作用。針對汽車精密零件表面的光澤點提取，采用單背景約束下的提取方法，該方法能有效抑制背景噪聲，突出零件表面的光澤特征。在此基礎上，深入分析零件表面的結構紋理特征值。這些特征值通過特定的計算公式進行量化，反映零件表面的微觀結構和幾何形態。可以采用公示（1）計算特征值。

綜上所述，汽車精密零件表面缺陷的機器視覺采樣和預處理過程涉及多個計算步驟和公式。通過精確計算特征值、引入合適的材料模型以及推導投影誤差公式，可以為后續的表面缺陷檢測提供有力的技術支持。

3 汽車精密零件表面缺陷檢測

3.1 缺陷特征提取

在切削過程中產生的載荷影響下，利用視覺特征對疲勞裂紋進行再構建，可以有效地提取缺陷的顯著特征。

當使用Canny邊緣檢測算法時，不需要具體的數字來計算邊緣強度和邊緣方向，但可以說明其應用。假設邊緣強度G在某個像素處為50單位，邊緣方向θ為45°。

假設在切削載荷作用下，應變ε=0.001，則機械性能檢測函數可以根據具體的試驗數據和模型來計算，假設其結果為某個具體的數值，例如F（ε）=95（單位根據具體情況而定）。

3.2 缺陷檢測視覺重構

在機器視覺技術的支撐下，可以實現汽車精密零件表面缺陷檢測功能[7]。本文采用表面殘余應力及變質層的動態特征分析，結合缺陷特征檢測和有限元仿真分析，共同構建了精準的缺陷定位模型。

4 汽車零件缺陷檢測軟件設計

4.1 人機界面的實現

4.1.1 通信部分

在汽車零件涂裝缺陷檢測軟件的人機界面中，通信部分至關重要[8]。通過命名管道、消息隊列、共享內存、信號或套接字等進程間通信（IPC）機制，軟件可以確保不同模塊間的數據流暢傳遞。例如，圖像采集模塊與缺陷檢測模塊可以通過命名管道實現高效、雙向的數據通信，確保實時性和準確性。

4.1.2 圖像采集與顯示部分

圖像采集模塊利用高性能的相機和傳感器（例如CCD或CMOS傳感器）捕捉汽車零件的涂裝圖像。采集的圖像數據經過預處理后，通過人機界面實時顯示。顯示部分采用液晶顯示器或投影儀，利用先進的圖像縮放和色彩轉換技術，確保圖像清晰度和色彩準確性。用戶可以通過界面上的控制按鈕輕松調整圖像采集和顯示的參數。

4.1.3 缺陷檢測部分

缺陷檢測部分是人機界面的核心。軟件利用先進的圖像處理算法，例如閾值分割、邊緣檢測、形態學處理等，對采集的圖像進行實時分析。通過深度學習模型，例如卷積神經網絡（CNN），軟件能夠自動學習并識別各種涂裝缺陷，例如顆粒、縮孔、焊渣等。檢測結果顯示在人機界面上，用戶可以直觀地查看缺陷的位置、類型和數量，并根據需要進行進一步操作，例如標記、記錄或觸發報警。

4.2 檢測結果分析

通過細致分析檢測數據，可以準確評估軟件的檢測性能。試驗采用相機對零件進行隨機抽樣拍攝，并利用所提及的算法對采集的圖像進行處理和驗證。本次試驗樣本共100組，每組樣本均對應一個編號（1～100）。為了全面檢測算法的性能，試驗中設置了不同質量狀況的樣本：前10號均為不合格產品，11～20號全為合格產品，余下的80號樣本中，合格與不合格產品各占40件。分析過程中發現，前兩組（1～10及11～20）的檢測結果與預設的樣本質量狀況完全一致，即算法準確地識別了所有不合格與合格產品。21～100號試驗樣品的檢測結果和檢測用時見表1。

為了檢測該算法的穩定性和可靠性，對1～10號試驗樣品和11～20號試驗樣品進行50次重復性試驗，其結果見表2，檢測用時如圖2所示。

5 結語

本文提出了一種基于機器視覺的汽車精密零件表面缺陷檢測方法。該方法通過連續小波變換構建機器視覺圖像采集模型，結合Harris角點檢測和金字塔DoG算法進行特征提取，并采用卷積神經網絡進行缺陷分類和識別。該方法具有較高的檢測精度，能夠準確識別零件表面的各種缺陷。

參考文獻

[1]余厚云，張輝.汽車渦輪殼零件表面質量視覺檢測[J].自動化儀表，2020，41（11）：6-10.

[2]劉瑞媛，茅健，陸文超.汽車精密零件外觀缺陷視覺檢測方法研究[J].計算機與數字工程，2021，49（2）：383-387.

[3]成立州，吳斌.基于深度學習的汽車零件缺陷檢測方法研究[J].質量與標準化，2021（3）：52-55.

[4]周鼎賀，宋志峰，林富生，等.基于機器視覺的汽車零件涂裝缺陷檢測方法[J].電鍍與涂飾，2021，40（16）：1292-1300.

[5]周鼎賀.基于機器視覺的汽車零件涂裝缺陷檢測方法研究[D].武漢：武漢紡織大學，2022.

[6]朱嚴己.基于機器視覺的轉向節缺陷檢測及邊緣打磨軌跡生成系統[D].秦皇島：河北科技師范學院，2022.

[7]徐立青.基于機器視覺的零件表面缺陷檢測系統的設計[J].石河子科技，2024（2）：43-45.

[8]黃愛維，錢輝，牛華.基于機器視覺技術的新能源汽車零部件表面缺陷檢測[J].激光雜志，2024，45（6）：253-258.

通信作者：許建明（1977—），男，湖南邵陽人，碩士， 副教授，研究方向為人工智能。

電子郵箱：71426090@qq.com。

作者簡介：陳奕明（1999—），男，湖南長沙人，碩士在讀，研究方向為人工智能。

電子郵箱：1781138520@qq.com。