基于計算機視覺的汽車零部件品質檢測與評估

Quality Inspection and Evaluationof Automotive Parts Based on Computer Vision

Chen Xiaodong

（HenanIndustry and Trade Vocational College，Zhengzhou ，China）

【Abstract】Aiming at the problem of parts quality inspection in automobile production，this article proposes a solution based on computer vision technology.Firstly，construct the basic architecture of the detection system including imageacquisitionhardware，imageprocessing algorithmsand featureparametercalculation.Among them，thehardware adoptscomponents such as ring-shaped LED light sources and CMOS industrial cameras，and thealgorithm realizes defect detection through preprocesing，featureextraction，etc.Secondly，a multi-dimensional evaluation index system forgeometricaccuracy，surfacequalityand comprehensive performanceis established.Thegeometricaccuracy evaluation adopts amulti-scale fusionarchitecture and improvedalgorithms.The surfacequality evaluation combines multi-mode imagesand frequency-domain analysis，and thesystemacuracyisverified through processes such asreference calibrationanderortraceability.Thestabilityisevaluatedusingamulti-physicalfieldcoupling testchamber.Finall，a systematicverificationcapabilityfromstaticcalibrationtofullworkingconditioncoverageisstudiedandformed， providingan operational test optimizationsolution for automotive manufacturing enterprisesand promoting the transformation of the detection system towards \"autonomous evolution\".

【Key words】 visual technology；automobile parts；quality inspection；stability assessment

0 引言

汽車生產中，零件品質是決定汽車產品性能的關鍵指標。目前自動化裝備（例如簡易的機械掃描等）雖可以幫助完成部分測試任務，但是對于部件特性的多樣性以及對精度的苛刻需求，目前的方法還存在著明顯的缺陷。而利用計算機視覺技術，以影像比對與運算，取代傳統的人工判斷，可提高偵測效率與一致性。因此，本文將聚焦視覺測量的可量化的品質評估準則，以期為中國汽車制造企業提供具有可操作性和可推廣性的測試優化方案。

1計算機視覺檢測系統的基本架構

1.1圖像采集硬件系統

圖像采集硬件系統的技術實現基于光學組件協同控制與精準時序同步。其核心組件包括環形LED光源（波長 450～650nm 可調）、全局快門CMOS（互補金屬氧化物半導體）工業相機（分辨率2000萬像素，幀率30f/s）、光學級定焦鏡頭（F1.4光圈，5倍變焦），以及三軸伺服機械平臺（重復定位精度 ±2μm ）]。系統工作流程闡述如下。

1）多光源協同照射：光源模塊采用四通道獨立控制環形燈，結合偏振片消除金屬反光，通過光纖導光實現明場與暗場混合照明，優化表面缺陷對比度。

2）高精度圖像捕獲：相機通過硬件觸發信號與機械平臺聯動，觸發瞬時采集運動部件的清晰圖像；同步支持多ROI（感興趣區域）裁剪，減少數據傳輸量。

3）動態視野調節：利用XY軸平移臺 + 旋轉軸調整零件方位，搭配自動對焦算法（基于圖像清晰度評價函數）確保不同高度零件聚焦準確。

4）數據實時傳輸：通過GigEVision協議將原始圖像傳輸至處理終端，系統內建FPGA（現場可編程門陣列）圖像預處理模塊，實現實時暗電流校正與壞點修復。

1.2圖像處理算法流程

算法流程采用模塊化分層設計，其處理流程如圖1所示，具體技術實現包含以下關鍵步驟。

1）預處理階段：非均勻光照校正，應用HSV（色調-飽和度-明度）顏色空間分解法，提取亮度分量后采用同態濾波[傳遞函數 H（u，v）=γL+（1-γ）H ，Y=0.5 增強對比度；降噪與增強，使用改進型雙邊濾波（ σ_sigmas=3 ， σ_σr=0.1? 保留邊緣，結合CLAHE（限制對比度自適應直方圖均衡）增強局部細節。

2）特征提取階段：多尺度邊緣檢測，采用Canny算子（高斯核 σσ-1.0 ，雙閾值比1：3），融合Sobel方向梯度圖提升輪廓連續性；紋理缺陷識別，基于Gabor濾波器組（頻率 0.1～0.4cycles/pixel ，4方向）提取周期性紋理特征，通過局部二值模式（LBP）直方圖統計量化異常區域。

3）缺陷分割與分類：自適應閾值分割，使用OTSU算法動態確定閾值，結合形態學梯度（ 3×3 結構元素）強化缺陷邊界；區域聚合分析，執行連通域標記（8鄰域遍歷算法）后，基于 Hu 矩特征 + 支持向量機（SVM）分類器區分真偽缺陷。

1.3特征參數計算方法

特征參數計算以物理尺寸映射與缺陷量化規則為核心，技術實現分為3大模塊。

1）幾何尺寸標定模塊，采用張正友標定法，通過 10×10 棋盤格圖像計算徑向畸變系數 （k₁ ， |k₂ 和切向畸變系數 ，建立像素-毫米轉換矩陣（精度 ±0.01mm? ）。使用Zernike矩正交多項式擬合，提取邊緣位置至0.01像素精度，結合最小二乘法橢圓擬合測量孔位直徑[2]。

2）缺陷量化模塊，針對劃痕類缺陷，提取骨骼線后采用改進型Freeman鏈碼統計長度和方向分布，并通過3次樣條插值平滑曲率變化。對凹坑或斑點，應用快速行進分水嶺算法分割粘連區域，基于Green'sTheorem（格林定理）計算面積與周長比，篩選非規則形狀缺陷。

3）綜合決策模塊，構建隸屬度函數庫，如將尺寸誤差按“合格/臨界/超差”區間劃分。缺陷數量與面積按加權馬氏距離集成評分，輸出品質等級。

2汽車零部件品質評估指標體系

2.1幾何精度評估指標

幾何精度評估是對零件和設計模型的形狀一致性進行定量描述，主要針對零件的尺寸偏差、形位公差和裝配匹配性進行檢測。采用多尺度點云-體素嵌套式融合架構，以激光跟蹤儀（LTS）與線結構光掃描（LSLS）的異構數據為輸入，通過基于圖優化的SLAM（同步定位與地圖構建）框架實現大空間坐標基準場的全局自校準（總誤差 ?2.5μm ）。針對基準軸系標定，設計魯棒 M 估計器增強的改進型雙向迭代最近點（B-ICP）算法：

其中，非線性核函數 ρ 抑制重尾噪聲，正則化項Ω（R） 采用李群約束防止旋轉矩陣病態解。在孔特征幾何誤差建模中，提出基于物理感知的深度混合高斯過程（DP-GPR）：三坐標機（CMM）離散采樣構建Hankel矩陣作為先驗基元；粒子群優化（PSO）動態配置協方差函數；通過拉普拉斯邊界元法生成孔軸線的偏微分方程約束；概率輸出形位公差置信區間（2g）及B樣條修正曲面參數。該評價系統是以三維空間坐標系為基礎，通過對基礎尺寸的度量和復雜表面的匹配，建立了緯度指標。

2.2表面品質評估標準

表面品質評估主要關注材料表面的物理完整性，包括缺陷檢測、組織均勻性和涂層特性3方面，其具體差別見表1。

1）缺陷檢測。采用可見光、偏振光與激光共聚焦多模式影像融合，增強劃痕、氧化斑、微裂縫對比度。針對亞毫米損傷，基于光強變化的相影復原模型重構三維形貌，區分真實凹坑與視覺偽影。

2）紋理分析。以能量密度圖為基礎將表面圖像轉換至頻率域，利用小波包分解提取多尺度紋理特征，定量表征顆粒形貌與紋理周期。例如，通過高頻能量占比突變鑒別鍍層橘皮缺陷。

3）涂層性能評估。通過光學反射與電導率測試分析涂料厚度均勻性和粘附性，對磨損層采用納米壓痕軌跡仿真算法預測微剝離風險。

2.3綜合性能評價模型

綜合性能評估模型將幾何和表面數據進行融合，實現對部件功能可靠性和壽命的多參數耦合分析。例如，面向安全氣囊功能性缺陷的動態診斷，其工作原理如圖2所示，可構建“力學-光學-形態學”聯合量化評價體系，分3級實現展開時序、爆破強度與折疊形態的閉環驗證。

部署微型MEMS（微機電系統）壓力陣列（分辨率0.1kPa 捕獲氣囊內部壓力梯度分布，同步高速成像（20000fps） 提取展開路徑特征。采用穿透式X射線斷層掃描（ μCT） ，基于3D點云拓撲匹配度評估折疊層錯位誤差（FoldingOffsetError，FOE）。結合近紅外光譜（NIRS） + 顯微拉曼成像，構建縫線材料老化因子的衰減模型。同時，依據FMVSS208標準定義核心失效鏈權重，表達式見公式（2），其中 β 為風險敏感因子，通過碰撞試驗數據反演標定。

通過構建GRU-Transformer混合網絡，輸人歷史生產線缺陷模式（如氣體發生器裂紋、織物分層），動態調整爆破壓力閾值與形態對稱性權重[3]。

3系統性能驗證與優化方法

3.1檢測精度驗證流程

利用計算機視覺技術檢驗準確性，旨在確定檢驗結果與真值的偏離程度，保障可信度與追溯性。技術實現可分為： ① 基準校準模塊，以國家計量認可的標準件（如標準球、臺階磚）多次測量獲取數據簇，針對移動構件等復雜場景，通過多自由度運動平臺仿真試驗，評估機構慣量、時滯對動力學精度的影響； ② 誤差溯源模塊，構建分層模型，將系統誤差分為光學誤差、機械回程誤差、環境擾動誤差（溫濕度漂移、振動噪聲）及算法解算誤差（擬合殘差、坐標變換偏差）； ③ 補償機制模塊，動態校正時，對溫度敏感場景用多傳感器群實時監控環境參數，疊加溫漂補償系數；針對機構間隙導致的重復誤差，通過預加載調整裝置減小非線性擾動[4]。

3.2 系統穩定性評估

系統穩定性評估需通過多物理場耦合試驗艙模擬極限工況：基于MIL-STD-810G標準構建 -40～ 125^°C（20^°C/min） 溫變與 10～2000Hz（PSD0.04g²/Hz） 振動組合環境，疊加IS011452-2規定的 20～200V/m 電磁干擾場，通過CANoe監測ECU響應閾值。結合Arrhenius模型與雨流計數法，實現MTBF（平均故障間隔時間）動態預測?？垢蓴_驗證中，注入 0～10MHz 高斯白噪聲與階躍信號，用RLS（遞歸最小二乘）自適應濾波實現誤碼率 ?1e-5 ；機械觸點測試通過 0.1～ 5μm 油膜可調摩擦臺架，監測0.05N級接觸力波動，確保電阻波動率 lt;2% 。最終以 FRVlt;0.1 與置信度gt;0.85量化評估，提升系統魯棒性。

4結論

文章聚焦視覺測量可量化品質評估準則，以計算機視覺替代人工判斷，提升檢測效率與一致性。構建三維掃描系統幾何精度與表面品質多維度評估體系，揭示精度與穩定性動態耦合規律。通過基準比對、誤差分層建模及動態補償的精度驗證流程，結合環境應激、抗干擾容錯及故障自愈的穩定性評估框架，形成全工況系統化驗證能力。旨在推動汽車制造檢測系統從“被動校驗”向“自主進化”跨越，為計算機視覺應用提供實踐場景，夯實智能制造品質數據基座。

參考文獻

[1]張永紅.面向數字化制造的零件表面缺陷視覺檢測技術探索[J].內燃機與配件，2025（6）：92-94.

[2]張娜.數控加工技術在汽車零部件制造中的應用探索[J].內燃機與配件，2025（6）：109-111.

[3]夏安琪.汽車零部件檢測結果質量控制探析[J].汽車測試報告，2024（17）：11-13.

[4]謝旭琛，王祥東，鄧月輝，等.基于計算機視覺的紅外圖像溫度檢測算法[J].光源與照明，2022（11）：50-52.

（編輯林子衿）