摘 要：在白車身總拼生產(chǎn)過(guò)程中，由于生產(chǎn)工藝，來(lái)料質(zhì)量，人工等不確定因素的影響，很多車身質(zhì)量缺陷無(wú)法避免，目前只能通過(guò)后續(xù)人工返修來(lái)修復(fù)類似缺陷，如未能及時(shí)發(fā)現(xiàn)缺陷，帶有缺陷的白車身就會(huì)流入油漆、總裝車間，造成重大影響或經(jīng)濟(jì)損失。然而，現(xiàn)在很多車身制造產(chǎn)線中的在線測(cè)量設(shè)備是拍照式測(cè)量，此過(guò)程中會(huì)產(chǎn)生大量的白車身圖像，圖像中會(huì)攜帶大量白車身信息。本文就是提供了將現(xiàn)有車身圖像數(shù)據(jù)在圖像處理軟件中進(jìn)行自動(dòng)化缺陷識(shí)別并實(shí)時(shí)報(bào)警的一種解決方案，該方法不僅有效提升了現(xiàn)有數(shù)據(jù)的利用率，同時(shí)可代替人工目視進(jìn)行自動(dòng)缺陷檢測(cè)，提升了準(zhǔn)確率和檢測(cè)效率。

關(guān)鍵詞：白車身 圖像識(shí)別 車身缺陷 在線檢測(cè) 智能化

1 前言與背景

Atline在線絕對(duì)測(cè)量技術(shù)于2019年在上汽大眾MEB工廠首次投入使用，該技術(shù)的最大技術(shù)突破是首次將光學(xué)絕對(duì)測(cè)量技術(shù)用于白車身尺寸在線智能檢測(cè)，該檢測(cè)系統(tǒng)的核心部件采用德國(guó)GOM公司生產(chǎn)的Atos測(cè)頭，該產(chǎn)品是拍照式尺寸檢測(cè)產(chǎn)品，主要通過(guò)自帶專用相機(jī)對(duì)待檢測(cè)部分進(jìn)行單角度或多角度拍照，如圖1所示，利用自帶軟件及算法，從照片中提取尺寸信息，最終完成全車身的尺寸檢測(cè)工作。

在線檢測(cè)過(guò)程中，為了監(jiān)控測(cè)量方案中的所有尺寸，每臺(tái)白車身從內(nèi)至外要拍攝約幾百?gòu)堈掌?，照片幅面?000mm*750mm，分別率為1200萬(wàn)像素，如圖2所示，該照片為尺寸檢測(cè)中的過(guò)程產(chǎn)物，目前只是從中提取尺寸信息。但由于其高分辨率和大幅面特性，其中可以清晰的分辨出車身表面的各種目測(cè)缺陷，例如焊點(diǎn)，油污，孔錯(cuò)位，多層鈑金疊加時(shí)的切邊錯(cuò)位等缺陷問(wèn)題，此類問(wèn)題傳統(tǒng)的解決方法主要是通過(guò)人工目視抽檢完成，基于圖像識(shí)別技術(shù)的發(fā)展，本文主要介紹利用在線光學(xué)測(cè)量的過(guò)程產(chǎn)物-高清圖像，進(jìn)行二次數(shù)據(jù)利用及挖掘的一種白車身缺陷檢測(cè)的新方案。

2 缺陷類型及傳統(tǒng)解決方法介紹

在白車身總拼生產(chǎn)過(guò)程中，由于生產(chǎn)工藝，來(lái)料質(zhì)量，人工等不確定因素的影響，很多車身質(zhì)量缺陷無(wú)法避免，目前只能通過(guò)后續(xù)人工返修來(lái)修復(fù)類似缺陷，如未能及時(shí)發(fā)現(xiàn)缺陷，帶有缺陷的白車身就會(huì)流入油漆、總裝車間，會(huì)對(duì)最終的產(chǎn)品車造成重大影響或經(jīng)濟(jì)損失。

如圖3所示，列舉了常見(jiàn)的白車身缺陷類型，分別是焊點(diǎn)數(shù)量、位置及質(zhì)量檢測(cè)，如圖3a所示；沖壓件表面是否有樓沖孔情況檢測(cè)，如圖3b所示；雙層或多層鈑金疊加時(shí)孔錯(cuò)位如圖3c所示;以及雙層鈑金切邊止口錯(cuò)位檢測(cè)如圖3d所示等。目前各大汽車制造廠商檢測(cè)類似缺陷的方式主要以人工目視為主，目視發(fā)現(xiàn)問(wèn)題進(jìn)行返修。但存在人工成本高，技術(shù)有門檻等通用問(wèn)題，與此同時(shí)，人工目視檢查有一定的主觀性，易疲勞、只能進(jìn)行抽檢等不足之處。

基于如上生產(chǎn)需求及現(xiàn)有方法的不足之處，本文將現(xiàn)有圖像數(shù)據(jù)在圖像處理軟件中進(jìn)行自動(dòng)化缺陷識(shí)別并實(shí)時(shí)報(bào)警，提升了現(xiàn)有數(shù)據(jù)利用率和缺陷檢測(cè)準(zhǔn)確率。

3 圖像識(shí)別技術(shù)在白車身應(yīng)用流程介紹

圖像識(shí)別技術(shù)是人工智能的一個(gè)主要構(gòu)成部分，從屬于機(jī)器視覺(jué)領(lǐng)域，它是指根據(jù)圖像像素特征信息對(duì)圖像進(jìn)行數(shù)字化處理及分析，從而獲取所需信息或特征進(jìn)而進(jìn)行判斷，達(dá)到設(shè)計(jì)目標(biāo)的過(guò)程。該技術(shù)在電子元器件的生產(chǎn)，交通違規(guī)，考勤支付等領(lǐng)域已經(jīng)成熟應(yīng)用，但在白車身缺陷檢測(cè)領(lǐng)域還較少。

Atline在線光學(xué)測(cè)量技術(shù)主要是通過(guò)自動(dòng)程序控制的機(jī)械臂驅(qū)動(dòng)測(cè)量頭對(duì)白車身進(jìn)行尺寸監(jiān)控的一種手段，該技術(shù)主要通過(guò)在特定角度拍攝車身照片，從照片中完成尺寸信息獲取的測(cè)量技術(shù)。由于該技術(shù)在產(chǎn)線中的應(yīng)用，所以在生產(chǎn)過(guò)程中每天會(huì)生成大量的白車身高清圖像，由于自動(dòng)程序控制，所以這些圖像在不同車身上的拍攝位置具有高度的位置一致性，因此，為批量自動(dòng)的圖像識(shí)別缺陷檢測(cè)提供了實(shí)施的數(shù)據(jù)基礎(chǔ)和可能性。

如圖4所示，為圖像識(shí)別技術(shù)在Atline在線光學(xué)絕對(duì)測(cè)量工位的應(yīng)用流程。首先，根據(jù)現(xiàn)場(chǎng)質(zhì)量檢測(cè)要求，確認(rèn)適合圖像識(shí)別監(jiān)控的缺陷類型。確認(rèn)依據(jù)主要是在日常生產(chǎn)過(guò)程中，需要人工目測(cè)檢查的白車身缺陷，例如鈑金表面開(kāi)裂，劃傷以及一些功能性的缺陷等。

其次，根據(jù)確認(rèn)好的缺陷類型以及該缺陷在白車身的位置分布情況，在測(cè)量項(xiàng)目中選取最佳角度及曝光參數(shù)的圖像，將該圖像導(dǎo)出后在圖像識(shí)別軟件中進(jìn)行缺陷的識(shí)別以及特征提取，確認(rèn)可清晰有效進(jìn)行缺陷檢測(cè)后開(kāi)始進(jìn)行數(shù)據(jù)收集，為后續(xù)模型制作及優(yōu)化做數(shù)據(jù)準(zhǔn)備。本文是基于HALCON軟件平臺(tái)進(jìn)行的缺陷模型制作。

最后模型完成離線制作和優(yōu)化后將其部署在待監(jiān)控的工位，對(duì)后續(xù)車型進(jìn)行批量缺陷監(jiān)控，在此過(guò)程中需將含有缺陷的圖像從測(cè)量程序中導(dǎo)出并進(jìn)行重命名，命名方式需至少包含車輛ID，檢測(cè)時(shí)間和缺陷位置信息，為報(bào)警車輛的返修提供快速車輛定位。

4 圖像識(shí)別技術(shù)在白車身應(yīng)用案例介紹

圖5為白車身中常見(jiàn)的缺席類型以及在線測(cè)量工位中的圖像信息，在圖像識(shí)別軟件中，通過(guò)不同算子的組合應(yīng)用，可快速的對(duì)正常圖像和缺陷圖像進(jìn)行判斷和區(qū)分，進(jìn)而完成自動(dòng)報(bào)警。如圖5a/e關(guān)于焊點(diǎn)的檢測(cè)，由于焊接工藝的不確定性和目前很多產(chǎn)線還有大量的人工焊槍，時(shí)常會(huì)出現(xiàn)漏焊或焊點(diǎn)錯(cuò)位情況，尤其在車身關(guān)鍵部位，如出現(xiàn)漏焊或焊點(diǎn)位置偏差會(huì)影響車身強(qiáng)度，在后續(xù)使用過(guò)程中會(huì)存有安全隱患，傳統(tǒng)的檢測(cè)方式主要是通過(guò)人工目測(cè)抽檢的形式對(duì)白車身進(jìn)行焊點(diǎn)數(shù)量和位置進(jìn)行檢測(cè)；圖5b/f為漏沖孔缺陷，該缺陷是由于在沖孔工藝中某個(gè)沖頭失效，一旦產(chǎn)生會(huì)導(dǎo)致后續(xù)工序無(wú)法安裝；圖5c/g為層疊鈑金止口倒高缺陷，該缺陷主要存在車門及前后風(fēng)窗密封條安裝處，會(huì)導(dǎo)致密封條無(wú)法正確安裝，造成最終產(chǎn)品車漏水、噪音大等抱怨；圖5d/h孔錯(cuò)位缺陷，這種缺陷主要都是由于鈑金在焊接匹配過(guò)程中存在誤差，導(dǎo)致設(shè)計(jì)上的同心孔出現(xiàn)錯(cuò)位遮孔，該缺陷會(huì)導(dǎo)致后續(xù)工位零件無(wú)法正常安裝或某些線束無(wú)法正常穿過(guò)，造成產(chǎn)品存在缺陷或產(chǎn)品報(bào)廢風(fēng)險(xiǎn)等后果。

通過(guò)圖像識(shí)別技術(shù)在在線測(cè)量工位應(yīng)用，無(wú)需再在產(chǎn)線上安裝和部署額外的圖像采集設(shè)備，利用現(xiàn)有過(guò)程數(shù)據(jù)即可快速準(zhǔn)確的識(shí)別出車身缺陷，并自動(dòng)發(fā)出警報(bào)，如單臺(tái)報(bào)警可將報(bào)警信息發(fā)往返修工位并可視化顯示，后續(xù)返修工人可提前快速準(zhǔn)確定位缺陷類型和位置。如連續(xù)多臺(tái)同一缺陷報(bào)警則可能為批量問(wèn)題，可將報(bào)警信息同時(shí)發(fā)往相關(guān)負(fù)責(zé)人員和前道相關(guān)工位，進(jìn)行工裝夾具調(diào)整或來(lái)料復(fù)測(cè)。

5 總結(jié)與展望

通過(guò)圖像識(shí)別技術(shù)在在線測(cè)量工位的拓展應(yīng)用，可有效避免個(gè)人主觀性，工作人員的易疲勞等弊端，不僅提高了現(xiàn)有數(shù)據(jù)的利用率，同時(shí)也提高了檢測(cè)效率和精度，為未來(lái)數(shù)字化智能化工廠提供了更多的可能性。隨著國(guó)家數(shù)字化戰(zhàn)略的推進(jìn)和機(jī)器視覺(jué)技術(shù)在工業(yè)生產(chǎn)中的深入應(yīng)用，人工智能取代部分人工重復(fù)性工作的趨勢(shì)日趨成熟，但圖像識(shí)別技術(shù)在白車身缺陷檢測(cè)領(lǐng)域的應(yīng)用還尚未全面展開(kāi)，本文初步介紹了圖像識(shí)別技術(shù)在在線絕對(duì)測(cè)量檢測(cè)系統(tǒng)的中應(yīng)用，重點(diǎn)是對(duì)現(xiàn)有圖像數(shù)據(jù)二次應(yīng)用方面的開(kāi)發(fā)嘗試，但該方法不局限于現(xiàn)有數(shù)據(jù)的開(kāi)發(fā)，也不局限于當(dāng)前的在線測(cè)量工位，各大主機(jī)廠白車身的inline檢測(cè)系統(tǒng)以及離線測(cè)量室的Offline測(cè)量系統(tǒng)，只要是拍照時(shí)測(cè)量設(shè)備，都可以嘗試運(yùn)用本文中提到的解決方案，更有效，更精準(zhǔn)，更全面的自動(dòng)檢測(cè)車身缺陷，如有必要也可在線集成或改造專有硬件，建立關(guān)鍵缺陷的在線檢測(cè)工位，如涂膠，匹配，車型配置等。

參考文獻(xiàn)：

[1]白云亮等.Atline光學(xué)在線絕對(duì)測(cè)量技術(shù)在白車身尺寸測(cè)量及監(jiān)控領(lǐng)域的研究與應(yīng)用.時(shí)代汽車.2020（09）：138-140.

[2]詹志明.基于圖像處理的金屬機(jī)械零件表面微缺陷檢測(cè)方法.湖南文理學(xué)院學(xué)報(bào).2022（06）19-24.

[3]胡丹等.焊縫表面缺陷激光視覺(jué)傳感HOG-SVM的檢測(cè)方法.焊接學(xué)報(bào).2023（07）：57-62，70.

[4]王健等.基于圖像分割的鋼板表面缺陷識(shí)別.北京交通大學(xué)學(xué)報(bào).2016（06）：47-52.

[5]胡亮等.基于線陣CCD鋼板表面缺陷在線檢測(cè)系統(tǒng)的研究.計(jì)量學(xué)報(bào).2005（04）：200-203.