王石生，杜呈欣，孟宇坤，白麗，高凡

中國鐵道科學研究院集團有限公司電子計算技術研究所，北京，100081

0 引言

近十年來中國的新能源汽車產量逐年遞增，作為關鍵材料的壓鑄鋁件，常出現(xiàn)爬料、劃痕、磕碰等缺陷，影響部件的性能及壽命，需在生產過程中進行質檢。對于壓鑄鋁件端面缺陷檢測，當前國內仍由人工肉眼判別及尺規(guī)測量來完成。人工質檢既耗時又費力，產品的質檢質量也不穩(wěn)定。而對于類似場景的板材等缺陷，目前市面上常見采用傳統(tǒng)圖像處理方法進行檢測[1]，使用過程中較為耗時，且當圖像放大到接近微觀表達，依靠傳統(tǒng)圖像處理很難從粗糙的表面中提取到具有不同形態(tài)特征的缺陷。隨著人工智能的發(fā)展，以YOLO系列[2]為代表的深度學習技術可以自動學習缺陷特征，避免形態(tài)特征不完善表達，使得表面缺陷智能視覺檢測成為可能。

本文針對壓鑄鋁件端面缺陷，采用了一種基于圖像處理與YOLO v4的缺陷檢測模型，利用現(xiàn)場采集的端面缺陷數據，對零部件質量情況進行分析與統(tǒng)計，實現(xiàn)對壓鑄鋁零部件的智能質檢。

1 壓鑄鋁件端面缺陷數據集制作

本文的研究對象是基于壓鑄工藝的汽車熱總成鋁合金件的多個環(huán)形端面，壓鑄鋁件端面缺陷種類如圖1所示，包括磕碰、異物、爬料、劃痕四類缺陷，端面背景雜亂，存在刀痕和水漬的干擾。

圖1 端面缺陷示意圖

所采集的圖像需要突顯出缺陷特征，本文采用環(huán)形正面藍光、面陣2D相機、遠心鏡頭的組合來拍攝圖像，并基于VOC2007格式[3]人工標注缺陷。神經網絡模型需要海量數據集支撐，為此，本文采用數據合成和數據增強的方式擴充數據集。

本文將多種缺陷從背景中人工提取出來，并將缺陷數據的背景設為透明，以隨機方式將缺陷樣本與真實雜亂的端面背景進行融合，融合過程中將缺陷進行旋轉、縮放、亮度調節(jié)等操作，提升合成數據的真實性及多樣性。將合成缺陷數據和真實缺陷數據都進行數據增強，包括如裁剪、平移等幾何變換，和添加噪聲、模糊、直方圖均衡化等像素變換。這種數據合成與數據增強的方式可以短時高效地為訓練模型提供大量數據樣本，提高模型泛化能力和魯棒性。

2 壓鑄鋁件端面缺陷檢測方法

2.1 端面圖像預處理

針對端面背景雜亂、不同端面檢測部位不一的情況，本文使用傳統(tǒng)圖像處理方法將待測圓環(huán)提取出來，如圖2所示。

圖2 端面待測區(qū)域提取流程圖

首先尋找合適的特征進行定位，通過感興趣區(qū)域將所選特征進行初步分割，由直方圖均衡化和邏輯非運算將圖片的明暗對比度提高，并且將圖片的明暗分布取反；接著進行二值化操作，在消除部分干擾物的影響的同時提高目標圓的邊緣梯度值，利用泛洪填充算法將圓環(huán)填充為一個完整的圓形；然后通過尋找最大連通域將目標圓從背景中提取出來；再利用Canny算子提取目標圓的邊緣離散像素點[4]；最后結合最小二乘擬合法與Huber算法來迭代擬合圓，利用得到的圓心和半徑，結合實際工件的尺寸將檢測范圍從原圖中分割出來。具體的迭代擬合過程如下：

先使用最小二乘法擬合出初始圓心和半徑，然后使用Huber算法利用最速下降法來迭代擬合圓。令：

最小二乘擬合要求距離的平方和最小，也就是f最小，為便于求解析解，上式可化簡為：

當f取極小值時，可求出初始圓心坐標和初始圓半徑R。將初始圓心半徑代入到Huber算法進行迭代優(yōu)化。使用優(yōu)化過的最小二乘法進行迭代，將單個邊緣點到目標圓的距離ei作為自變量帶入到Huber函數中：

可得到共線總誤差一個正的樣本誤差，自變量待求的參數向量為，目標函數為：

采用最速下降法求解，最速下降法的核心在于自變量沿著負梯度迭代變化時，函數下降最快。直到循環(huán)次數達到上限或目標函數的值與上一次迭代的目標函數的值之差小于某一設定閾值時停止迭代，得到最終的圓心坐標和圓半徑。

2.2 基于YOLO v4的缺陷識別定位算法

本文采用基于YOLO v4的檢測模型實現(xiàn)對壓鑄鋁件端面缺陷的識別與定位，模型結構如圖3所示。

圖3 基于YOLO v4的缺陷檢測模型

主體特征提取網絡使用了CSPDarknet53，在保證模型識別精度的同時減少算力消耗[5]。同時將主體網絡的激活函數改為Mish函數，避免飽和，令梯度下降得更好。

在主體特征提取網絡后加入一個SSPP（sampling spatial pyramid pooling）模塊，較SPP[6]模塊多一個均勻采樣操作。具體地，先對特征圖進行均勻采樣，再用三種不同尺度的池化核以采樣點為中心作最大池化，用以提取局部特征信息，同時直接使用最大池化處理采樣后的特征圖，用以提取全局特征信息，最后將全局與局部融合拼接在一起。這種SSPP模塊，能夠全融合特征信息，可以避免感受野信息的冗余，提高模型的運算速度。

在預測分支中使用PANet[7]結構，采用拼接操作融合多尺度特征，利用淺層特征彌補網絡層數加深而帶來的信息損失，提升模型的檢測性能。網絡輸出三種不同尺度，預測出相對預設錨框的位置、置信度和類別概率。

2.3 損失函數

其中，S代表網格尺寸，B代表候選框個數。

3 實驗結果與分析

3.1 實驗參數設置

本文采用Adam迭代優(yōu)化網絡，利用L2正則化防止訓練過擬合，采用預熱學習率策略對學習率進行更新調整，訓練epoch設置為3000。

3.2 數據集與運行環(huán)境

本文使用合成數據和真實數據的混合數據作為模型的訓練集，使用剩余的真實數據作為模型的測試集。由于現(xiàn)場汽車熱總成零部件大多質量優(yōu)良，采集到的四類缺陷每類真實數據為700張，經過數據增強及人工合成后擴充至7000張。

模型采用Pytorch1.2.0搭建，Torchvision為0.4.0版本，CUDA為10.0.130版本，CUDNN為7.5.0版本。在一張TITAN RTX(24G)顯卡上訓練，設備現(xiàn)場使用GeForce RTX 2080 Ti顯卡進行壓鑄鋁件質檢分析。

3.3 實驗結果

本文采用精確率P（Precision）和召回率R（Recal）作為模型推理準確性的衡量指標，采用誤檢率FA（False Alarm）和漏檢率M（Miss Rate）作為設備實際質檢效果的評價指標。四種量化指標的定義為：

其中，TP表示實際為正、預測為正的樣本數量，F(xiàn)P表示實際為負、預測為正的樣本數量，F(xiàn)N表示實際為正、預測為負的樣本數量。對于精確率和召回率，將每個圖像作為樣本進行統(tǒng)計；對于設備質檢，將每個汽車熱總成零部件作為樣本進行統(tǒng)計，每個零部件共有40個待測環(huán)形端面。

實驗結果如表1所示，缺陷檢測可視化效果如圖4所示。通過結果可以看出，本文模型在壓鑄鋁件端面缺陷檢測任務中具備有效性和可靠性。

表1 端面缺陷檢測模型評價結果

圖4 端面缺陷檢測效果示意圖

本文基于PyQT搭建了如圖5所示的軟件界面，將缺陷檢測算法、追溯統(tǒng)計分析集成為一套質檢系統(tǒng)，能夠實時檢測零部件、統(tǒng)計存儲檢測影像，并配備貼標機，能夠實現(xiàn)產品便捷追溯。

圖5 缺陷在線檢測軟件系統(tǒng)

4 結論

針對基于壓鑄工藝的汽車熱總成鋁合金件的多個環(huán)形端面存在磕碰、異物、爬料、劃痕四類缺陷類型，本文提出一種基于傳統(tǒng)圖像處理和YOLO v4的端面缺陷檢測方法。通過現(xiàn)場采集照片及人工標注，制作端面缺陷數據集，通過數據合成和數據增強的方式對數據集進行樣本增廣，解決數據積累難、數據量少的問題；通過傳統(tǒng)圖像處理，可將雜亂背景剔除，讓模型更關注于端面本身；通過改進的YOLO v4算法，運算量降低的同時，識別精度達99.8%，證明該算法可實現(xiàn)對壓鑄鋁件端面缺陷的快速準確檢測。