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(xù)小波變換方法優(yōu)化機器視覺圖像采集過程，并結(jié)合了Harris角點檢測和金字塔DoG算法，實現(xiàn)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(chǎn)生缺陷的原因，為零件加工過程的改善提供理論依據(jù)。同時，搭建了缺陷視覺檢測平臺，以汽車轉(zhuǎn)向器內(nèi)部套筒為對象，實現(xiàn)了精密零件外觀缺陷在線缺陷檢測功能。

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

中圖分類號：TP 391" " 文獻標志碼：A

1 零件外觀圖像數(shù)據(jù)平臺構(gòu)建

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

1.1 分布式集群

分布式集群作為整個數(shù)據(jù)平臺的基石，負責(zé)處理海量的圖像數(shù)據(jù)[2]。通過集群化的部署方式，系統(tǒng)能夠充分利用多臺服務(wù)器的計算資源實現(xiàn)并行處理和負載均衡。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)定性和可擴展性。在分布式集群中，每臺服務(wù)器都承擔(dān)一定的數(shù)據(jù)處理任務(wù)，并通過網(wǎng)絡(luò)進行通信和數(shù)據(jù)交換，確保整個系統(tǒng)的高效運行。

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]。在實際應(yīng)用中，這些圖像數(shù)據(jù)通常來源于生產(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)的準確性和完整性，需要對圖像數(shù)據(jù)源進行嚴格的篩選和管理。為了應(yīng)對不同種類和規(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)缺陷識別分類的需求。

1.3 大數(shù)據(jù)平臺

大數(shù)據(jù)平臺是整個數(shù)據(jù)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(shù)據(jù)集。通過采用先進的大數(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)平臺還具有數(shù)據(jù)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(tǒng)的最終目標，采用機器視覺算法和深度學(xué)習(xí)模型對圖像數(shù)據(jù)進行智能分析和處理。通過訓(xùn)練和優(yōu)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(yīng)用中，可以根據(jù)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(yù)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(xué)傳感器進行圖像采集，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(xù)小波變換構(gòu)建機器視覺圖像采集模型[4]。連續(xù)小波變換作為一種強大的信號處理手段，能夠?qū)?fù)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(jié)合光學(xué)視覺特征分析，采用仿射變換和先進的特征提取技術(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(xù)的缺陷識別奠定堅實基礎(chǔ)。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(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特征點和尺度不變特征轉(zhuǎn)換（SIFT）技術(shù)，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(shù)信息解析。鑒于汽車零部件表面在熱力耦合效應(yīng)及塑性變形過程中的復(fù)雜變化，研究其表面應(yīng)力參數(shù)。引入機器視覺的特征分析技術(shù)深入剖析了切削作業(yè)所產(chǎn)生的微觀表面形態(tài)。建立表面缺陷的機器視覺采樣模型，如圖1所示。

基于機器視覺采樣結(jié)果，運用圖像濾波技術(shù)進行汽車精密零件表面檢測，同時融入工件的材料結(jié)構(gòu)參數(shù)，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(shù)，對其進行動態(tài)的視覺圖像追蹤和識別，確保變質(zhì)層的厚度符合要求，獲取精準的工藝參數(shù)。結(jié)合微觀組織特征分析，提高零件表面缺陷的視覺檢測和特征表達能力。

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(chǔ)上，深入分析零件表面的結(jié)構(gòu)紋理特征值。這些特征值通過特定的計算公式進行量化，反映零件表面的微觀結(jié)構(gòu)和幾何形態(tài)?？梢圆捎霉荆?）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(yù)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(dǎo)投影誤差公式，可以為后續(xù)的表面缺陷檢測提供有力的技術(shù)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(chǎn)生的載荷影響下，利用視覺特征對疲勞裂紋進行再構(gòu)建，可以有效地提取缺陷的顯著特征。

當(dāng)使用Canny邊緣檢測算法時，不需要具體的數(shù)字來計算邊緣強度和邊緣方向，但可以說明其應(yīng)用。假設(shè)邊緣強度G在某個像素處為50單位，邊緣方向θ為45°。

假設(shè)在切削載荷作用下，應(yīng)變ε=0.001，則機械性能檢測函數(shù)可以根據(jù)具體的試驗數(shù)據(jù)和模型來計算，假設(shè)其結(jié)果為某個具體的數(shù)值，例如F（ε）=95（單位根據(jù)具體情況而定）。

3.2 缺陷檢測視覺重構(gòu)

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

4 汽車零件缺陷檢測軟件設(shè)計

4.1 人機界面的實現(xiàn)

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(guān)重要[8]。通過命名管道、消息隊列、共享內(nèi)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(shù)據(jù)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(xiàn)高效、雙向的數(shù)據(jù)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(shù)據(jù)經(jīng)過預(yù)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(zhuǎn)換技術(shù)，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(diào)整圖像采集和顯示的參數(shù)。

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(tài)學(xué)處理等，對采集的圖像進行實時分析。通過深度學(xué)習(xí)模型，例如卷積神經(jīng)網(wǎng)絡(luò)（CNN），軟件能夠自動學(xué)習(xí)并識別各種涂裝缺陷，例如顆粒、縮孔、焊渣等。檢測結(jié)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(shù)量，并根據(jù)需要進行進一步操作，例如標記、記錄或觸發(fā)報警。

4.2 檢測結(jié)果分析

通過細致分析檢測數(shù)據(jù)，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(yīng)一個編號（1～100）。為了全面檢測算法的性能，試驗中設(shè)置了不同質(zhì)量狀況的樣本：前10號均為不合格產(chǎn)品，11～20號全為合格產(chǎn)品，余下的80號樣本中，合格與不合格產(chǎn)品各占40件。分析過程中發(fā)現(xiàn)，前兩組（1～10及11～20）的檢測結(jié)果與預(yù)設(shè)的樣本質(zhì)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(chǎn)品。21～100號試驗樣品的檢測結(jié)果和檢測用時見表1。

為了檢測該算法的穩(wěn)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(fù)性試驗，其結(jié)果見表2，檢測用時如圖2所示。

5 結(jié)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(xù)小波變換構(gòu)建機器視覺圖像采集模型，結(jié)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(jīng)網(wǎng)絡(luò)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(zhì)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(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方法研究[J].質(zhì)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(xué)，2022.

[6]朱嚴己.基于機器視覺的轉(zhuǎn)向節(jié)缺陷檢測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.基于機器視覺的零件表面缺陷檢測系統(tǒng)的設(shè)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(shù)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。