摘 要：本文針對(duì)汽車漆膜質(zhì)量檢測(cè)問(wèn)題，提出融合深度學(xué)習(xí)的機(jī)器視覺(jué)檢測(cè)系統(tǒng)。系統(tǒng)采用硬件-軟件協(xié)同架構(gòu)，通過(guò)多光譜成像技術(shù)實(shí)現(xiàn)對(duì)汽車曲面部件的全覆蓋檢測(cè)，并設(shè)計(jì)曲面自適應(yīng)光照補(bǔ)償模型，構(gòu)建符合標(biāo)準(zhǔn)的缺陷分類體系。關(guān)鍵技術(shù)包括基于反射率校正的曲面補(bǔ)償算法、改進(jìn)的YOLOv5缺陷檢測(cè)算法以及多維度量化評(píng)價(jià)體系。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)在檢測(cè)速度、漏檢率、誤檢率及綜合成本方面均優(yōu)于人工檢測(cè)，能有效解決傳統(tǒng)方法在曲面部位檢測(cè)的難題，提升汽車漆面質(zhì)量控制水平，為汽車涂裝工藝優(yōu)化提供數(shù)據(jù)支持，助力汽車制造智能化發(fā)展。

關(guān)鍵詞：汽車漆膜 機(jī)器視覺(jué) 深度學(xué)習(xí) 缺陷檢測(cè) 質(zhì)量評(píng)價(jià)

汽車漆膜質(zhì)量直接影響產(chǎn)品防腐性能與市場(chǎng)競(jìng)爭(zhēng)力，據(jù)統(tǒng)計(jì)，涂裝缺陷導(dǎo)致的返修成本占整車制造成本的3%-5%[1]。傳統(tǒng)人工檢測(cè)受限于主觀經(jīng)驗(yàn)與視覺(jué)疲勞，難以滿足智能制造對(duì)檢測(cè)精度（≤0.1mm）與效率（≥60JPH）的要求。機(jī)器視覺(jué)技術(shù)為漆膜質(zhì)量量化評(píng)價(jià)提供了新路徑，Zhang等通過(guò)多光譜成像實(shí)現(xiàn)了涂層厚度的在線測(cè)量，但在曲面反射抑制方面仍存在局限[2]；而ISO 2813標(biāo)準(zhǔn)對(duì)光澤度量化評(píng)價(jià)的規(guī)范化需求，進(jìn)一步凸顯了檢測(cè)方法標(biāo)準(zhǔn)化研究的必要性。本文提出融合深度學(xué)習(xí)的機(jī)器視覺(jué)檢測(cè)系統(tǒng)，創(chuàng)新性設(shè)計(jì)曲面自適應(yīng)光照補(bǔ)償模型，并構(gòu)建符合ASTM D523標(biāo)準(zhǔn)的缺陷分類體系，為解決汽車涂裝行業(yè)微缺陷識(shí)別率低、評(píng)價(jià)標(biāo)準(zhǔn)離散化等問(wèn)題提供技術(shù)支撐。

1 檢測(cè)系統(tǒng)總體設(shè)計(jì)

1.1 系統(tǒng)架構(gòu)

本系統(tǒng)采用模塊化設(shè)計(jì)理念，構(gòu)建如圖的硬件-軟件協(xié)同架構(gòu)。系統(tǒng)由圖像采集單元、數(shù)據(jù)處理單元和人機(jī)交互單元組成，其中圖像采集單元采用多光譜成像技術(shù)實(shí)現(xiàn)對(duì)汽車引擎蓋、車門等典型曲面部件的全覆蓋檢測(cè)。數(shù)據(jù)處理單元通過(guò)邊緣計(jì)算設(shè)備實(shí)現(xiàn)檢測(cè)算法部署，確保滿足產(chǎn)線節(jié)拍要求（≤45秒/臺(tái)）。系統(tǒng)通信采用工業(yè)以太網(wǎng)協(xié)議，實(shí)現(xiàn)與工廠MES系統(tǒng)的實(shí)時(shí)數(shù)據(jù)交互。

1.2 硬件配置

硬件系統(tǒng)核心參數(shù)如表1所示，選用Basler ace 2相機(jī)（分辨率2，448×2，048，幀率25 fps）配合Edmund Optics 55mm遠(yuǎn)心鏡頭，確保在300-700 nm光譜范圍內(nèi)實(shí)現(xiàn)微米級(jí)缺陷捕捉。

針對(duì)汽車曲面件檢測(cè)需求，設(shè)計(jì)了如上圖所示的多角度LED陣列布局，金色點(diǎn)表示8組主照明LED，藍(lán)色點(diǎn)表示2組輔助檢測(cè)LED，該設(shè)計(jì)可使光照均勻度達(dá)到92%以上（測(cè)量方法參照ISO 13660標(biāo)準(zhǔn)）。采用8組環(huán)形排列的白色LED（色溫6，500K）與4組傾斜30°布置的藍(lán)色LED（波長(zhǎng)460 nm）組合照明方案，有效消除引擎蓋、車門等復(fù)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(shù)，通過(guò)共享內(nèi)存實(shí)現(xiàn)數(shù)據(jù)零拷貝傳輸。實(shí)驗(yàn)表明，該系統(tǒng)在檢測(cè)車門部件時(shí)，單件處理時(shí)間控制在8.2s以內(nèi)，滿足產(chǎn)線節(jié)拍要求。系統(tǒng)集成OPC UA接口，可將檢測(cè)數(shù)據(jù)實(shí)時(shí)上傳至MES系統(tǒng)，實(shí)現(xiàn)質(zhì)量數(shù)據(jù)追溯[3]。

在產(chǎn)品的生產(chǎn)線上，為了確保能夠滿足實(shí)時(shí)檢測(cè)的要求，我們對(duì)關(guān)鍵處理階段進(jìn)行了嚴(yán)格的時(shí)間分配。首先是圖像采集階段，這一過(guò)程需要40毫秒。完成圖像采集后，隨即進(jìn)入預(yù)處理階段，該階段耗時(shí)25毫秒。預(yù)處理完成后，系統(tǒng)將進(jìn)入缺陷分析階段，這一階段的時(shí)間為50毫秒。最后是結(jié)果輸出階段，僅需5毫秒即可完成。通過(guò)這樣精細(xì)的時(shí)間分配，整個(gè)關(guān)鍵處理階段能夠在規(guī)定的時(shí)間內(nèi)完成，從而滿足產(chǎn)線實(shí)時(shí)檢測(cè)的要求。

2 關(guān)鍵技術(shù)研究

2.1 圖像預(yù)處理算法

在汽車曲面件檢測(cè)中，由車身復(fù)雜曲面導(dǎo)致的光照反射差異是影響檢測(cè)精度的首要問(wèn)題。本研究提出基于反射率校正的曲面補(bǔ)償算法，其數(shù)學(xué)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(shù)，是標(biāo)準(zhǔn)平面平均反射率。

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

2.2 缺陷檢測(cè)算法

為了更好地適應(yīng)漆膜缺陷檢測(cè)任務(wù)，對(duì)YOLOv5網(wǎng)絡(luò)架構(gòu)進(jìn)行了針對(duì)性的改進(jìn)。在 Backbone部分，引入了CBAM注意力模塊，這一模塊能夠有效提升對(duì)微小缺陷特征的提取能力，使網(wǎng)絡(luò)在處理細(xì)微缺陷時(shí)更具優(yōu)勢(shì)。在特征金字塔結(jié)構(gòu)上，采用了BiFPN，它能夠優(yōu)化多尺度特征融合，從而提升對(duì)不同尺寸缺陷的檢測(cè)效果，讓模型在面對(duì)多尺度缺陷時(shí)表現(xiàn)更出色。在損失函數(shù)方面，引入了Focal Loss，這一損失函數(shù)能夠有效解決樣本類別不平衡問(wèn)題，使模型在面對(duì)類別分布不均的數(shù)據(jù)時(shí)，能夠更好地學(xué)習(xí)和區(qū)分各類缺陷，進(jìn)而提升整體的檢測(cè)性能。

由上表可知，在自建數(shù)據(jù)集（包含2，500張標(biāo)注圖像）上的測(cè)試結(jié)果表明，改進(jìn)后模型在常見(jiàn)缺陷檢測(cè)中達(dá)到92.4%的平均精度（mAP），較原模型提升6.8個(gè)百分點(diǎn)。

2.3 質(zhì)量評(píng)價(jià)模型

為量化汽車漆膜的外觀質(zhì)量，本文構(gòu)建了建立多維度量化評(píng)價(jià)體系。

首先是光澤度指標(biāo)：依據(jù)ASTM D523標(biāo)準(zhǔn)

其中，為光澤度偏差，為測(cè)量值，為標(biāo)準(zhǔn)值（85-95 GU）。

接下來(lái)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(quán)重參數(shù)設(shè)置參照Wu等[5]的汽車涂裝研究成果，取，，。

然后是橘皮紋評(píng)價(jià)：通過(guò)小波分解獲取紋理特征

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

表3列出了汽車漆膜質(zhì)量評(píng)價(jià)的五個(gè)關(guān)鍵指標(biāo)，包括光澤度、色差、橘皮紋、缺陷面積和位置系數(shù)。光澤度通過(guò)60°入射角測(cè)量，權(quán)重為0.35，合格閾值為光澤度偏差。色差使用分光光度計(jì)測(cè)量，權(quán)重為0.30，合格閾值為色差。橘皮紋通過(guò)小波分析計(jì)算橘皮指數(shù)（DOI），權(quán)重為0.25，合格閾值為。缺陷面積通過(guò)像素統(tǒng)計(jì)計(jì)算，權(quán)重為0.07，合格閾值為缺陷面積。位置系數(shù)通過(guò)計(jì)算缺陷距邊緣的距離，權(quán)重為0.03，合格閾值為缺陷距邊緣距離。

這些指標(biāo)的權(quán)重通過(guò)AHP層次分析法確定，一致性檢驗(yàn)，表明權(quán)重分配合理。通過(guò)這些指標(biāo)的綜合評(píng)價(jià)，可以全面、科學(xué)地評(píng)估汽車漆膜的質(zhì)量。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

為驗(yàn)證系統(tǒng)有效性，選取某汽車制造廠2022年涂裝產(chǎn)線數(shù)據(jù)構(gòu)建實(shí)驗(yàn)樣本集，具體構(gòu)成如表4所示。實(shí)驗(yàn)設(shè)備采用Basler acA2440-75um工業(yè)相機(jī)（分辨率2448×2048）配合自研多光譜LED光源系統(tǒng)。

該數(shù)據(jù)集包含1200幅正常樣本和500幅缺陷樣本，分辨率統(tǒng)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(lán)/260幅）常見(jiàn)劃痕和氣泡，分布在側(cè)圍及后視鏡；新能源車（曜石黑/240幅）存在色差和光澤不均問(wèn)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(lái)自前保險(xiǎn)杠及輪轂。

實(shí)驗(yàn)參數(shù)設(shè)置如表5所示，重點(diǎn)考察光照強(qiáng)度與檢測(cè)精度的非線性關(guān)系。通過(guò)正交實(shí)驗(yàn)法確定最優(yōu)參數(shù)組合，確保系統(tǒng)適應(yīng)產(chǎn)線的傳送帶速度。

在該系統(tǒng)或設(shè)備的參數(shù)設(shè)置中，各參數(shù)類別具有明確的設(shè)定范圍、最優(yōu)值以及調(diào)節(jié)精度。光照強(qiáng)度的設(shè)定范圍在8000至12000 lux之間，其最優(yōu)值為10500±200lux，調(diào)節(jié)精度可達(dá)50 lux。相機(jī)高度的設(shè)定范圍為800-1200 mm，最優(yōu)值為950 mm，調(diào)節(jié)精度為5 mm。曝光時(shí)間的設(shè)定范圍在3.0-8.0ms之間，最優(yōu)值為5.2ms，調(diào)節(jié)精度為0.1ms。光譜波段涵蓋可見(jiàn)光與近紅外范圍，設(shè)定范圍在450-850nm之間，最優(yōu)值為10nm，這些參數(shù)的合理設(shè)置對(duì)于系統(tǒng)或設(shè)備的性能優(yōu)化至關(guān)重要。

3.2 性能評(píng)估

如表6所示，系統(tǒng)單幀平均處理時(shí)間為98ms，滿足產(chǎn)線實(shí)時(shí)檢測(cè)要求。通過(guò)改進(jìn)YOLOv5的SPPF模塊，將小目標(biāo)檢測(cè)召回率提升17.6%。該表格對(duì)比了傳統(tǒng)方法與本文方法在圖像采集、預(yù)處理、缺陷檢測(cè)及綜合評(píng)價(jià)四個(gè)階段的耗時(shí)，本文方法在各階段均優(yōu)于傳統(tǒng)方法，優(yōu)化率分別為 26.1%、33.4%、34.4%、52.3%，總體優(yōu)化率達(dá)34.2%。

3.3 產(chǎn)線驗(yàn)證數(shù)據(jù)

在某主機(jī)廠涂裝車間進(jìn)行連續(xù)30天驗(yàn)證測(cè)試（表7），系統(tǒng)誤報(bào)率控制在0.8%以下，較人工檢測(cè)效率提升4.3倍。特別在金屬漆表面檢測(cè)中，色差值檢測(cè)精度達(dá)到0.3 NBS。該表格顯示，本文系統(tǒng)在檢測(cè)速度、漏檢率、誤檢率及綜合成本方面均優(yōu)于人工檢測(cè)，提升幅度分別為329.4%、75.0%、72.0%和69.1%，整體表現(xiàn)更優(yōu)。

實(shí)驗(yàn)結(jié)果表明，本文方法在金屬漆表面的光澤度檢測(cè)誤差，對(duì)粒徑gt;0.1mm的顆粒缺陷檢出率達(dá)97%以上，有效解決了傳統(tǒng)方法在曲面部位檢測(cè)盲區(qū)超過(guò)15%的行業(yè)難題。

4 結(jié)語(yǔ)

本研究成功構(gòu)建基于機(jī)器視覺(jué)的汽車漆膜外觀質(zhì)量檢測(cè)與評(píng)價(jià)體系。通過(guò)多光源融合成像與深度學(xué)習(xí)算法，實(shí)現(xiàn)對(duì)漆膜微缺陷的精準(zhǔn)分類及質(zhì)量量化評(píng)估，檢測(cè)準(zhǔn)確率顯著高于傳統(tǒng)方法，單幀處理時(shí)間符合產(chǎn)線要求，經(jīng)主機(jī)廠涂裝車間應(yīng)用驗(yàn)證，漏檢率大幅降低。

在行業(yè)應(yīng)用價(jià)值方面，該方法可提升汽車漆面質(zhì)量控制水平，增強(qiáng)產(chǎn)品市場(chǎng)競(jìng)爭(zhēng)力，為汽車涂裝工藝優(yōu)化提供數(shù)據(jù)支持。未來(lái)可進(jìn)一步聚焦高反光表面處理技術(shù)，以適應(yīng)更多車型檢測(cè)需求；同時(shí)優(yōu)化在線實(shí)時(shí)檢測(cè)算法，提高系統(tǒng)運(yùn)行效率，助力汽車制造向智能化、高效化發(fā)展。

參考文獻(xiàn)：

[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.