摘 要：針對(duì)汽車零件表面缺陷檢測(cè)效率低、精度不足的問(wèn)題，本文采用了連續(xù)小波變換方法優(yōu)化機(jī)器視覺(jué)圖像采集過(guò)程，并結(jié)合了Harris角點(diǎn)檢測(cè)和金字塔DoG算法，實(shí)現(xiàn)了對(duì)汽車精密零件表面缺陷特征的精準(zhǔn)提取。本文還針對(duì)缺陷類型分析其影響因素，從而找到產(chǎn)生缺陷的原因，為零件加工過(guò)程的改善提供理論依據(jù)。同時(shí)，搭建了缺陷視覺(jué)檢測(cè)平臺(tái)，以汽車轉(zhuǎn)向器內(nèi)部套筒為對(duì)象，實(shí)現(xiàn)了精密零件外觀缺陷在線缺陷檢測(cè)功能。

關(guān)鍵詞：機(jī)器視覺(jué)；汽車精密零件；表面缺陷檢測(cè)；連續(xù)小波變換；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP 391" " 文獻(xiàn)標(biāo)志碼：A

1 零件外觀圖像數(shù)據(jù)平臺(tái)構(gòu)建

基于Hadoop分布式技術(shù)的精密零件缺陷檢測(cè)數(shù)據(jù)平臺(tái)架構(gòu)主要由分布式集群、圖像數(shù)據(jù)源、大數(shù)據(jù)平臺(tái)以及缺陷識(shí)別分類組成，各部分相互協(xié)作，共同支撐整個(gè)系統(tǒng)的運(yùn)行[1]。

1.1 分布式集群

分布式集群作為整個(gè)數(shù)據(jù)平臺(tái)的基石，負(fù)責(zé)處理海量的圖像數(shù)據(jù)[2]。通過(guò)集群化的部署方式，系統(tǒng)能夠充分利用多臺(tái)服務(wù)器的計(jì)算資源實(shí)現(xiàn)并行處理和負(fù)載均衡。不僅可以提高數(shù)據(jù)處理的速度，還能提高系統(tǒng)的穩(wěn)定性和可擴(kuò)展性。在分布式集群中，每臺(tái)服務(wù)器都承擔(dān)一定的數(shù)據(jù)處理任務(wù)，并通過(guò)網(wǎng)絡(luò)進(jìn)行通信和數(shù)據(jù)交換，確保整個(gè)系統(tǒng)的高效運(yùn)行。

1.2 圖像數(shù)據(jù)源

圖像數(shù)據(jù)源是獲取零件外觀圖像的重要渠道[3]。在實(shí)際應(yīng)用中，這些圖像數(shù)據(jù)通常來(lái)源于生產(chǎn)線上的攝像頭、掃描儀等圖像采集設(shè)備。為了確保數(shù)據(jù)的準(zhǔn)確性和完整性，需要對(duì)圖像數(shù)據(jù)源進(jìn)行嚴(yán)格的篩選和管理。為了應(yīng)對(duì)不同種類和規(guī)格的汽車零件，還需要建立多樣化的圖像數(shù)據(jù)集，以滿足后續(xù)缺陷識(shí)別分類的需求。

1.3 大數(shù)據(jù)平臺(tái)

大數(shù)據(jù)平臺(tái)是整個(gè)數(shù)據(jù)平臺(tái)的核心部分，其核心職能在于高效地存儲(chǔ)、管理以及深度分析龐大的圖像數(shù)據(jù)集。通過(guò)采用先進(jìn)的大數(shù)據(jù)處理技術(shù)，例如Hadoop、Spark等，可以高效地處理和分析圖像數(shù)據(jù)，提取有用的信息。大數(shù)據(jù)平臺(tái)還具有數(shù)據(jù)分析能力，便于后期缺陷檢測(cè)與分類。

1.4 缺陷識(shí)別分類

缺陷識(shí)別分類是整個(gè)系統(tǒng)的最終目標(biāo)，采用機(jī)器視覺(jué)算法和深度學(xué)習(xí)模型對(duì)圖像數(shù)據(jù)進(jìn)行智能分析和處理。通過(guò)訓(xùn)練和優(yōu)化模型，提高零件外觀缺陷的檢測(cè)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(shí)際應(yīng)用中，可以根據(jù)具體的檢測(cè)需求選擇合適的算法和模型，以提高檢測(cè)的準(zhǔn)確性和效率。

2 汽車精密零件表面缺陷的機(jī)器視覺(jué)采樣和預(yù)處理

2.1 表面缺陷的機(jī)器視覺(jué)采樣

在對(duì)汽車零件表面缺陷進(jìn)行機(jī)器視覺(jué)采樣的過(guò)程中，首先需要采集零件表面的圖像信息。本文采用光學(xué)傳感器進(jìn)行圖像采集，結(jié)合工件材料的應(yīng)力參數(shù)分析和光學(xué)視覺(jué)特征采集方法，建立汽車精密零件表面缺陷的視覺(jué)成像模型。

在圖像采集過(guò)程中，采用連續(xù)小波變換構(gòu)建機(jī)器視覺(jué)圖像采集模型[4]。連續(xù)小波變換作為一種強(qiáng)大的信號(hào)處理手段，能夠?qū)?fù)雜信號(hào)拆解成不同頻率及尺度的組成部分，精準(zhǔn)捕捉圖像中的核心特征。結(jié)合光學(xué)視覺(jué)特征分析，采用仿射變換和先進(jìn)的特征提取技術(shù)，確保在平移、旋轉(zhuǎn)、縮放及剪切等各類基本變換中完成對(duì)汽車精密零部件的視覺(jué)追蹤和識(shí)別。

為了進(jìn)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(diǎn)提取策略，用于零部件的Harris角點(diǎn)檢測(cè)，其可以精確識(shí)別圖像中的角點(diǎn)特征，為后續(xù)的缺陷識(shí)別奠定堅(jiān)實(shí)基礎(chǔ)。此外，本文還通過(guò)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(bǔ)充圖像特征庫(kù)。得到對(duì)（x，y）-（x，y'）投影的誤差，設(shè)置多組冷卻壓力條件，完成表面熱-力耦合效應(yīng)及塑性變形研究。

系統(tǒng)總體結(jié)構(gòu)采用Harris特征點(diǎn)和尺度不變特征轉(zhuǎn)換（SIFT）技術(shù)，在切削載荷作用下，對(duì)汽車精密零部件的表面缺陷進(jìn)行主動(dòng)探測(cè)和參數(shù)信息解析。鑒于汽車零部件表面在熱力耦合效應(yīng)及塑性變形過(guò)程中的復(fù)雜變化，研究其表面應(yīng)力參數(shù)。引入機(jī)器視覺(jué)的特征分析技術(shù)深入剖析了切削作業(yè)所產(chǎn)生的微觀表面形態(tài)。建立表面缺陷的機(jī)器視覺(jué)采樣模型，如圖1所示。

基于機(jī)器視覺(jué)采樣結(jié)果，運(yùn)用圖像濾波技術(shù)進(jìn)行汽車精密零件表面檢測(cè)，同時(shí)融入工件的材料結(jié)構(gòu)參數(shù)，以精準(zhǔn)提取其表面紋理特征[5]。通過(guò)視覺(jué)傳感分析形變、相變參數(shù)，對(duì)其進(jìn)行動(dòng)態(tài)的視覺(jué)圖像追蹤和識(shí)別，確保變質(zhì)層的厚度符合要求，獲取精準(zhǔn)的工藝參數(shù)。結(jié)合微觀組織特征分析，提高零件表面缺陷的視覺(jué)檢測(cè)和特征表達(dá)能力。

2.2 汽車精密零件表面缺陷預(yù)處理

預(yù)處理環(huán)節(jié)是機(jī)器視覺(jué)檢測(cè)的核心，對(duì)汽車零件缺陷檢測(cè)的精度有決定性作用。針對(duì)汽車精密零件表面的光澤點(diǎn)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(chǔ)上，深入分析零件表面的結(jié)構(gòu)紋理特征值。這些特征值通過(guò)特定的計(jì)算公式進(jìn)行量化，反映零件表面的微觀結(jié)構(gòu)和幾何形態(tài)。可以采用公示（1）計(jì)算特征值。

綜上所述，汽車精密零件表面缺陷的機(jī)器視覺(jué)采樣和預(yù)處理過(guò)程涉及多個(gè)計(jì)算步驟和公式。通過(guò)精確計(jì)算特征值、引入合適的材料模型以及推導(dǎo)投影誤差公式，可以為后續(xù)的表面缺陷檢測(cè)提供有力的技術(shù)支持。

3 汽車精密零件表面缺陷檢測(cè)

3.1 缺陷特征提取

在切削過(guò)程中產(chǎn)生的載荷影響下，利用視覺(jué)特征對(duì)疲勞裂紋進(jìn)行再構(gòu)建，可以有效地提取缺陷的顯著特征。

當(dāng)使用Canny邊緣檢測(cè)算法時(shí)，不需要具體的數(shù)字來(lái)計(jì)算邊緣強(qiáng)度和邊緣方向，但可以說(shuō)明其應(yīng)用。假設(shè)邊緣強(qiáng)度G在某個(gè)像素處為50單位，邊緣方向θ為45°。

假設(shè)在切削載荷作用下，應(yīng)變?chǔ)?0.001，則機(jī)械性能檢測(cè)函數(shù)可以根據(jù)具體的試驗(yàn)數(shù)據(jù)和模型來(lái)計(jì)算，假設(shè)其結(jié)果為某個(gè)具體的數(shù)值，例如F（ε）=95（單位根據(jù)具體情況而定）。

3.2 缺陷檢測(cè)視覺(jué)重構(gòu)

在機(jī)器視覺(jué)技術(shù)的支撐下，可以實(shí)現(xiàn)汽車精密零件表面缺陷檢測(cè)功能[7]。本文采用表面殘余應(yīng)力及變質(zhì)層的動(dòng)態(tài)特征分析，結(jié)合缺陷特征檢測(cè)和有限元仿真分析，共同構(gòu)建了精準(zhǔn)的缺陷定位模型。

4 汽車零件缺陷檢測(cè)軟件設(shè)計(jì)

4.1 人機(jī)界面的實(shí)現(xiàn)

4.1.1 通信部分

在汽車零件涂裝缺陷檢測(cè)軟件的人機(jī)界面中，通信部分至關(guān)重要[8]。通過(guò)命名管道、消息隊(duì)列、共享內(nèi)存、信號(hào)或套接字等進(jìn)程間通信（IPC）機(jī)制，軟件可以確保不同模塊間的數(shù)據(jù)流暢傳遞。例如，圖像采集模塊與缺陷檢測(cè)模塊可以通過(guò)命名管道實(shí)現(xiàn)高效、雙向的數(shù)據(jù)通信，確保實(shí)時(shí)性和準(zhǔn)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(jī)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(shù)據(jù)經(jīng)過(guò)預(yù)處理后，通過(guò)人機(jī)界面實(shí)時(shí)顯示。顯示部分采用液晶顯示器或投影儀，利用先進(jìn)的圖像縮放和色彩轉(zhuǎn)換技術(shù)，確保圖像清晰度和色彩準(zhǔn)確性。用戶可以通過(guò)界面上的控制按鈕輕松調(diào)整圖像采集和顯示的參數(shù)。

4.1.3 缺陷檢測(cè)部分

缺陷檢測(cè)部分是人機(jī)界面的核心。軟件利用先進(jìn)的圖像處理算法，例如閾值分割、邊緣檢測(cè)、形態(tài)學(xué)處理等，對(duì)采集的圖像進(jìn)行實(shí)時(shí)分析。通過(guò)深度學(xué)習(xí)模型，例如卷積神經(jīng)網(wǎng)絡(luò)（CNN），軟件能夠自動(dòng)學(xué)習(xí)并識(shí)別各種涂裝缺陷，例如顆粒、縮孔、焊渣等。檢測(cè)結(jié)果顯示在人機(jī)界面上，用戶可以直觀地查看缺陷的位置、類型和數(shù)量，并根據(jù)需要進(jìn)行進(jìn)一步操作，例如標(biāo)記、記錄或觸發(fā)報(bào)警。

4.2 檢測(cè)結(jié)果分析

通過(guò)細(xì)致分析檢測(cè)數(shù)據(jù)，可以準(zhǔn)確評(píng)估軟件的檢測(cè)性能。試驗(yàn)采用相機(jī)對(duì)零件進(jìn)行隨機(jī)抽樣拍攝，并利用所提及的算法對(duì)采集的圖像進(jìn)行處理和驗(yàn)證。本次試驗(yàn)樣本共100組，每組樣本均對(duì)應(yīng)一個(gè)編號(hào)（1～100）。為了全面檢測(cè)算法的性能，試驗(yàn)中設(shè)置了不同質(zhì)量狀況的樣本：前10號(hào)均為不合格產(chǎn)品，11～20號(hào)全為合格產(chǎn)品，余下的80號(hào)樣本中，合格與不合格產(chǎn)品各占40件。分析過(guò)程中發(fā)現(xiàn)，前兩組（1～10及11～20）的檢測(cè)結(jié)果與預(yù)設(shè)的樣本質(zhì)量狀況完全一致，即算法準(zhǔn)確地識(shí)別了所有不合格與合格產(chǎn)品。21～100號(hào)試驗(yàn)樣品的檢測(cè)結(jié)果和檢測(cè)用時(shí)見(jiàn)表1。

為了檢測(cè)該算法的穩(wěn)定性和可靠性，對(duì)1～10號(hào)試驗(yàn)樣品和11～20號(hào)試驗(yàn)樣品進(jìn)行50次重復(fù)性試驗(yàn)，其結(jié)果見(jiàn)表2，檢測(cè)用時(shí)如圖2所示。

5 結(jié)語(yǔ)

本文提出了一種基于機(jī)器視覺(jué)的汽車精密零件表面缺陷檢測(cè)方法。該方法通過(guò)連續(xù)小波變換構(gòu)建機(jī)器視覺(jué)圖像采集模型，結(jié)合Harris角點(diǎn)檢測(cè)和金字塔DoG算法進(jìn)行特征提取，并采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行缺陷分類和識(shí)別。該方法具有較高的檢測(cè)精度，能夠準(zhǔn)確識(shí)別零件表面的各種缺陷。

參考文獻(xiàn)

[1]余厚云，張輝.汽車渦輪殼零件表面質(zhì)量視覺(jué)檢測(cè)[J].自動(dòng)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(jué)檢測(cè)方法研究[J].計(jì)算機(jī)與數(shù)字工程，2021，49（2）：383-387.

[3]成立州，吳斌.基于深度學(xué)習(xí)的汽車零件缺陷檢測(cè)方法研究[J].質(zhì)量與標(biāo)準(zhǔn)化，2021（3）：52-55.

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

[5]周鼎賀.基于機(jī)器視覺(jué)的汽車零件涂裝缺陷檢測(cè)方法研究[D].武漢：武漢紡織大學(xué)，2022.

[6]朱嚴(yán)己.基于機(jī)器視覺(jué)的轉(zhuǎn)向節(jié)缺陷檢測(cè)及邊緣打磨軌跡生成系統(tǒng)[D].秦皇島：河北科技師范學(xué)院，2022.

[7]徐立青.基于機(jī)器視覺(jué)的零件表面缺陷檢測(cè)系統(tǒng)的設(shè)計(jì)[J].石河子科技，2024（2）：43-45.

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

通信作者：許建明（1977—），男，湖南邵陽(yáng)人，碩士， 副教授，研究方向?yàn)槿斯ぶ悄堋?/p>

電子郵箱：71426090@qq.com。

作者簡(jiǎn)介：陳奕明（1999—），男，湖南長(zhǎng)沙人，碩士在讀，研究方向?yàn)槿斯ぶ悄堋?/p>

電子郵箱：1781138520@qq.com。